Learning-based model predictive control for passenger-oriented train rescheduling with flexible train composition

Technische Samenvatting: Leergestuurd Model Predictive Control voor Passagiersgericht Treinherplanning met Flexibele Treincompositie

Probleemstelling
Stedelijke railtransit-systemen worden geconfronteerd met aanzienlijke uitdagingen bij real-time planning vanwege snel uitbreidende netwerken, tijdsvariërende passagiersvraag en de noodzaak om operationele kosten te balanceren met de kwaliteit van de dienstverlening. Hoewel bestaand onderzoek zich richt op passagiersgerichte planning, zijn veel benaderingen beperkt tot vaste treincomposities of vaste vertrekfrequenties. Bovendien introduceert het integreren van flexibele treincompositie (het aanpassen van het aantal treineenheden per dienst) en rollend materieel-circulatie (het beheren van treineenheden over depots) een groot aantal gehele variabelen. Dit transformeert het herplanningsprobleem tot een complex Mixed-Integer Nonlinear Programming (MINLP) of Mixed-Integer Linear Programming (MILP) probleem. De primaire flessenhals voor real-time toepassing is de hoge online computationele belasting die vereist is om deze problemen binnen de strikte tijdsbeperkingen van Model Predictive Control (MPC) op te lossen.

Methodologie
Het artikel stelt een Learning-based Model Predictive Control (MPC) raamwerk voor dat diep leren integreert met optimalisatie om de computationele complexiteit van real-time treinherplanning aan te pakken. De aanpak is als volgt gestructureerd:

1. Wiskundige Formulering: De auteurs breiden een passagiersgericht herplanningsmodel uit door tijdvariërende sectieale passagiersvraag, flexibele treincompositie en rollend materieel-circulatie op te nemen. Het doel is om de totale wachttijd van passagiers en de operationele kosten (energie en kosten voor compositiewijziging) te minimaliseren. Het probleem wordt aanvankelijk geformuleerd als een MINLP, waarbij gehele variabelen de treincompositie, treinvolgorde en rollend materieel-circulatie vertegenwoordigen, terwijl continue variabelen de vertrek- en aankomsttijden vertegenwoordigen.
2. Presolve-technieken: Om de dimensionaliteit van het optimalisatieprobleem te verminderen, zijn vier presolve-technieken ontwikkeld. Deze technieken schrappen subsets van gehele beslissingsvariabelen door hun waarden te bepalen op basis van vooraf vastgestelde restricties en gekoppelde variabelen (bijv. het vastleggen van de treinvolgorde op basis van vooraf vastgestelde dienstregelingen of het vastleggen van de compositie voor treinen die al vertrokken zijn).
3. Hybride Leer-Optimalisatie Aanpak:
   • Offline Training: Long Short-Term Memory (LSTM) netwerken worden getraind om de optimale waarden van de resterende gehele variabelen te voorspellen. Het trainingsproces maakt gebruik van een ensemble van LSTM-netwerken om de haalbaarheidsgraad te maximaliseren. De netwerken worden getraind op gegevens gegenereerd door het volledige MINLP-probleem op te lossen, waarbij de verliesfunctie de kwadratische fout tussen de voorspelde objectieve waarde van het netwerk en de optimale waarde minimaliseert.
   • Online Executie: In de real-time MPC-lus genereren de getrainde LSTM-netwerken de gehele variabelen (treincomposities en volgordes) op basis van de huidige systeemstatus (passagiersaantallen, vraag en beschikbaar rollend materieel). Deze variabelen worden vervolgens vastgelegd.
   • Continue Optimalisatie: Met de gehele variabelen vastgelegd, wordt het oorspronkelijke MINLP-probleem gereduceerd tot een continu Nonlinear Programming (NLP) probleem (of een Linear Programming (LP) probleem als de objectieve functie verder wordt benaderd). Dit gereduceerde probleem wordt efficiënt opgelost om de gedetailleerde dienstregeling (vertrek- en aankomsttijden) te bepalen.
4. Feasibility Garantie: Om recursieve haalbaarheid te garanderen, wordt een heuristisch fallback-mechanisme (gebaseerd op Lemma 1) toegepast. Als het LSTM-netwerk faalt in het genereren van een haalbare set gehele variabelen, construeert de heuristiek een haalbare oplossing, waardoor de MPC-lus altijd kan voortgaan.

Belangrijkste Bijdragen
Het artikel somt drie belangrijke bijdragen op:

1. Uitgebreid Model: Het passagiersgerichte herplanningsmodel wordt uitgebreid door gezamenlijk tijdvariërende passagiersvraag, flexibele treincompositie en rollend materieel-circulatie te optimaliseren, waarbij de vraag wordt benaderd als stuksgewijs constante functies.
2. Presolve en Dimensionaliteitsreductie: Vier presolve-technieken zijn ontwikkeld om gehele beslissingsvariabelen te schrappen, wat de zoekruimte voor het leeralgoritme aanzienlijk verkleint.
3. Learning-based MPC Raamwerk: Een nieuw diep leergestuurd MPC-raamwerk is ontwikkeld waarbij getrainde LSTM-netwerken de gehele variabelen bepalen en geconstraineerde optimalisatie de continue variabelen bepaalt. Dit combineert de garanties van restrictie-naleving van optimalisatie met de computationele snelheid van leren.

Resultaten
De aanpak werd geëvalueerd met behulp van real-life gegevens van een netwerk met drie lijnen in het Beijing stedelijke railtransitsysteem. Simulaties vergeleken de voorgestelde learning-based MPC (zowel NLP als LP varianten) met een Benchmark (MINLP met warm-start en uitgebreide tijd), een standaard Warm-start MINLP, en een MILP-aanpak.

• Computationele Efficiëntie: De learning-based benaderingen vertoonden een dramatische reductie in oplossingstijd. De Learning + LP aanpak bereikte een gemiddelde oplossingstijd van 0,13 seconden (maximum 0,31s), vergeleken met 96,71 seconden (gemiddeld) voor de Warm-start MINLP en 51,36 seconden voor de MILP in closed-loop tests.
• Optimaliteit: De learning-based methoden bereikten een vergelijkbare prestatie als de optimalisatie-gebaseerde benchmarks met een acceptabele trade-off. In closed-loop tests vertoonde de Learning + NLP aanpak een gemiddelde optimaliteitskloof van 4,92%, en Learning + LP vertoonde 5,50%, vergeleken met de benchmark.
• Haalbaarheid: De initiële haalbaarheidsgraad van de ruwe LSTM-output was ongeveer 98,5–98,9%. Echter, met de toepassing van het heuristische fallback-mechanisme bereikte de uiteindelijke haalbaarheidsgraad 100% voor alle learning-based benaderingen in closed-loop simulaties.
• Kwaliteit van de Dienstregeling: Visuele analyse van de gegenereerde dienstregelingen gaf aan dat de learning-based benaderingen erin slaagden de treincomposities aan te passen aan de passagiersstromen (bijv. het gebruik van langere treinen tijdens de spits), hoewel lichte variaties in strategie vergeleken met de benchmark leidden tot kleine verschillen in de waarden van de objectieve functie.

Betekenis en Claims
Het artikel claimt dat het voorgestelde raamwerk effectief de uitdagingen van schaalbaarheid en de computationele last aanpakt die inherent zijn aan real-time treinherplanning met flexibele compositie. Door de discrete besluitvorming (behandeld door leren) te ontkoppelen van de continue optimalisatie (behandeld door solvers), stelt de methode het genereren van geoptimaliseerde dienstregelingen in real-time mogelijk (onder de 1 seconde voor de LP-variant), wat cruciaal is voor operationele controlecentra. De auteurs stellen dat deze aanpak een balans vindt tussen de behoefte aan hoogwaardige, restrictie-voldoende oplossingen en de strikte tijdsvereisten van real-time stedelijke railoperaties, en een levensvatbaar alternatief biedt voor computationeel dure exacte methoden voor grootschalige netwerken. Het werk suggereert dat toekomstig onderzoek reinforcement learning en multi-agent systemen kan verkennen om de aanpasbaarheid en schaalbaarheid verder te verbeteren.