城市铁路系统实时头距预测及其对服务控制的影响：基于深度学习的方法
机器学习
2025-10-06 v1
摘要
高效的实时调度是城市地铁系统的关键，对于确保服务可靠性、最大化资源利用和提高乘客满意度至关重要。本研究提出了一种新型深度学习框架，核心为卷积长短期记忆（ConvLSTM）模型，用于预测地铁线路全网列车头距的复杂时空传播。通过将计划终点头距作为关键输入变量纳入模型，同时结合历史头距数据，所提出的模型能够准确预测未来头距动力学，有效捕捉其时序演化和空间依赖关系。该能力使调度员能够在不依赖计算密集型仿真的情况下，评估各种终点头距控制决策的影响。我们引入一种灵活的方法，以模拟 diverse dispatcher strategies，涵盖维持均匀头距至基于观察到的终点离站模式派生的自定义模式。与现有研究主要聚焦于乘客负荷预测或非典型故障情景不同，我们的方法强调主动的运营控制。该方法在大规模城市地铁线路数据集上进行评估，所提出的 ConvLSTM 模型展示出有前景的头距预测能力，为实时决策提供可操作的见解。该框架为铁路运营商提供了一种强大、计算高效的工具，用于优化调度策略，从而显著提高服务一致性和乘客满意度。
引用
@article{arxiv.2510.03121,
title = {Real Time Headway Predictions in Urban Rail Systems and Implications for Service Control: A Deep Learning Approach},
author = {Muhammad Usama and Haris Koutsopoulos},
journal= {arXiv preprint arXiv:2510.03121},
year = {2025}
}