National Transport Library Research Database

Modell-prediktiv och maskininlärningsbaserad metod för proaktiv omplanering av järnvägstrafik (PROACT) (Proactive train rescheduling based on model-predictive control and machine learning (PROACT))

Sponsors, duration, budget: Trafikverket ; 2025-01-01 -- 2026-04-30 Registration number:
  • Trafikverket 2024/27650
Subject(s): Abstract: Järnvägssystemet är ett känsligt system där enskilda störningar kan påverka hela systemet negativt, leda till förseningar och öka samhällsekonomiska kostnader. Med den ökande efterfrågan på järnvägstrafik ställs högre krav på robusta tidtabeller som kan möta efterfrågan. I järnvägssystemet förekommer dock både planerade och oplanerade störningar, vilket gör att en given tidtabell behöver ändras. När en störning inträffar på tågnätet, till exempel om ett tåg anländer försenat till en station, behöver tågtrafiken ibland planeras om för att minimera störningens påverkan. För varje situation finns ofta flera olika förslag på hur tågtrafiken kan planeras om, till exempel att låta tåg A köra före tåg B eller vice versa eller justera avgångstider. Att prioritera tåg för att lösa konflikter är därför en viktig uppgift för trafikledare, med målet att i största möjliga utsträckning återgå till den ursprungliga tidtabellen. Förutom att möta grundläggande krav på säkerhet i tågtrafiken, såsom hastighetsbegränsningar och tidsmarginaler på enkelspåriga sträckor, kan lämpligheten av varje förslag jämföras med en så kallad kostnad. Denna kostnad kan exempelvis vara den totala förseningstiden som uppstår givet ett visst omplaneringsval. Idag sker omplanering av tågtrafik genom trafikledare som ansvarar för olika delar av Sveriges järnvägsnät och säkerställer att trafiken flyter på bra. Ofta arbetar man utifrån redan utarbetade omplaneringsförslag baserade på erfarenhet. I detta projekt kommer vi att analysera omplaneringsproblemet med hjälp av matematisk modellering baserat på historiska data från tågtrafiken för att systematiskt ta fram omplaneringsförslag som möter givna krav och önskemål. Modellen ämnar hantera omplanering proaktivt genom att prediktera störningar med hjälp av statistisk modellering av olika störningstyper baserat på historiska data. Omplaneringsförslagen ges som en lösning på ett optimeringsproblem, vilket kan vara mycket beräkningstungt att ta fram. För att effektivisera beräkningsprocessen kommer vi att nyttja datadrivna metoder från maskininlärning.Abstract: With the increasing demand for railway traffic, there is a greater need for robust timetables that can meet demand. The railway system is subject to both planned and unplanned disruptions, which require changes to a given timetable. When a disruption occurs on the railway network, for example if a train arrives late at a station, train traffic sometimes needs to be rescheduled to minimize the impact of the disruption. For each situation, there are often several different suggestions on how to reschedule, such as letting train A run before train B or vice versa or adjusting departure times. Prioritizing trains to resolve conflicts is therefore an important task for dispatchers. In addition to meeting basic train safety requirements, such as speed limits and time margins on single track lines, the suitability of each proposal can be compared with a so-called cost. This cost can be, for example, the total delay time incurred given a particular rescheduling choice. Today, the replanning of train traffic is carried out by dispatchers who are responsible for different parts of Sweden's rail network and ensure that the train traffic flows smoothly. Often, they work from already prepared replanning proposals based on experience. In this project, we will analyze the rescheduling problem using mathematical modeling based on historical data from train traffic to systematically develop rescheduling proposals that meet given requirements and minimize, for example, the total delay or another cost function. The model aims to handle rescheduling proactively by predicting disturbances using statistical modeling of different disturbance types based on historical data. The rescheduling proposals are given as a solution to an optimization problem, which can be very computationally intensive to develop. To streamline the computational process, we will utilize data-driven methods from machine learning.
Item type: