面向列车调机问题可行性判定的数据驱动策略
人工智能
2019-07-11 v1 机器学习
机器学习
摘要
停放、匹配、调度与路径规划是列车维护中的常见问题。特别地，列车单元通常在专用的调机场进行维护和清洁。由此类情形产生的规划问题被称为列车单元调机问题（TUSP）。该问题涉及将到达的列车单元匹配到服务任务，并确定出发列车的调度。TUSP 是一个重要问题，因为它用于确定调机场的容量，并作为更一般调度与规划问题的子问题出现。在本文中，我们考虑荷兰铁路（NS）TUSP 的情况。由于 TUSP 复杂，NS 目前使用局部搜索（LS）启发式方法来判定 TUSP 的实例是否存在可行解。鉴于调机场数量及规划问题规模，提升 LS 的评估速度可带来显著的计算收益。在本工作中，我们采用一种补充 LS 并加速搜索过程的机器学习方法。我们使用深度图卷积神经网络（DGCNN）模型来预测 LS 启发式运行期间所获得解的可行性。我们利用该模型决定是否继续或中止搜索过程。以此方式，计算时间被更高效利用，因其花费在更可能可行的实例上。基于 TUSP 真实实例的仿真表明，我们的方法在预测精度上优于先前方法，并为决策过程带来计算收益。
引用
@article{arxiv.1907.04711,
title = {Data-driven Policy on Feasibility Determination for the Train Shunting Problem},
author = {Paulo R. de O. da Costa and J. Rhuggenaath and Y. Zhang and A. Akcay and W. Lee and U. Kaymak},
journal= {arXiv preprint arXiv:1907.04711},
year = {2019}
}
备注
Accepted as conference paper at ECML PKDD 2019