一种基于移动数据的分层深度强化学习方法用于实时需求响应型铁路重调度与车站过度拥挤缓解

实时铁路重调度是一项重要技术，能够以及时灵活的方式实现针对意外与动态状况的运营恢复。当前研究主要依赖基于 OD 的数据和基于模型的方法来估计列车乘客需求。这些方法主要关注平均化的中断模式，往往忽视需求随时间的即时不均衡分布。现实中，乘客需求显著偏离预测，尤其在灾害期间。诸如 2022 年中国郑州的洪水等灾害情形，不仅对作为中国主要铁路枢纽的郑州火车站本身造成了前所未有的影响，也波及与郑州相连的其他主要枢纽，例如郑州以西最近的枢纽西安。在本研究中，我们定义了一种实时需求响应型（RTDR）铁路重调度问题，聚焦于两个具体方面，即需求的波动性与车站拥挤度的管理。我们首次提出一种使用实时移动数据（MD）的数据驱动方法来处理该 RTDR 问题。设计了一个分层深度强化学习（HDRL）框架，以需求响应的方式执行实时重调度。MD 的使用使得能够建模乘客针对列车延误与车站拥挤度的动态响应，并针对乘客因中断而产生行为响应所导致的需求变化进行列车服务的实时优化重调度。结果表明，智能体仅用原有机车车辆的 61% 便能稳定满足超过 62% 的需求，确保持续运营且无过度拥挤。此外，当迁移至需求增加的新环境时，智能体展现出适应性，凸显了其在实时情形下应对不可预见中断的有效性。