基于人工智能的列車運行圖智能編制技術體系框架研究

蔣 輝，李 博，賀俊源

(1.中國鐵道科學研究院集團有限公司，北京 100081；2.中國鐵路列車運行圖技術中心，北京 100081；3.中國鐵道科學研究院集團有限公司 運輸及經濟研究所，北京 100081)

0 引言

列車運行圖是鐵路運輸組織的重要技術文件，是客運、貨運、司乘、施工、車站作業、機車和動車運用等計劃編制的依據，其編制質量和效率直接影響鐵路運輸資源運用效率和運輸效益[1]以及面向動態變化市場的響應程度。隨著計算機技術的發展，列車運行圖編制手段和技術不斷提升，編圖周期不斷縮短，從傳統紙筆手工編制的每2 年至4 年編制1 次，到單機、局域網計算機輔助編制的每年1～2 次，再到計算機異地聯網編制的每年4 次，實現了“一季一圖”編制模式。隨著我國社會經濟快速發展，高速鐵路網規模不斷擴大，客貨運輸需求量的提升和市場動態變化節奏的加快，現行以人的經驗策略為主導，人機交互的編圖方式，受人的計算力和精力的限制，已無法支撐列車運行圖編制質量和效率的實質性提升，需要依托基于云平臺的列車運行圖編制系統計算能力[2]，利用人工智能技術，開展列車運行圖智能編制技術的研究和應用。

國內外學者對于列車運行圖編制技術開展了大量研究工作，國外鐵路大多采用周期性列車運行圖方式，其形成的編圖技術[3-5]不適用于我國超大規模網絡化編圖場景，國內學者通常根據具體場景設計啟發式策略，將原問題分解或簡化，以實現減小求解規模，提升求解效率。例如，彭其淵等[6-7]設計了時空局域滾動算法，以有向弧和有向列車徑路為主線，構造符合我國鐵路實際路網情況的列車運行圖優化模型，并提出采用加邊求解原問題各子問題并逐步得出網絡列車運行圖整體解的分解算法；周磊山等[8]從宏觀和微觀層面設計鐵路網絡，將列車按照優先級進行分層，提出網絡分層并行算法；史峰等[9]將問題從時間維度劃分為若干個階段，每個階段采用最早沖突疏解法；倪少權[10]提出基于分層決策的滿意優化方法。面對列車運行圖編制優化問題，聶磊等[11]根據高速鐵路列車運行圖的特點，提出了階段移線法，為計算機編制列車運行圖處理移線問題奠定了基礎；周文梁等[12]設計了基于定序優化的高速鐵路網絡列車運行圖鋪畫方法，提出組合平移列車作業、交換列車作業順序、變更列車停站等沖突化解策略；曲思源等[13]從列車運行圖結構出發，分析京滬高速鐵路列車運行特征、通過能力影響因素及優化措施；廖正文等[14]結合累計流變量模型的特點，構建雙線鐵路列車運行圖優化0-1 整數規劃模型，并設計拉格朗日松弛算法。此外，國內學者還進行列車運行圖與其他運營計劃的協調編制技術研究，如列車運行線與動車組交路、列車運行線與車站股道運用計劃等[15-17]。以上理論研究成果，為列車運行圖智能化編制技術的研究和發展提供了經驗借鑒。

隨著人工智能理論的發展和應用，面對我國龐大的路網結構和銜接關系，以及復雜的運輸組織模式和客貨列車開行需求，為列車運行圖智能編制技術研究提供了新的技術路線。

1 列車運行圖編制體系研究

列車運行圖編制是一項涉及因素多、耦合性強的復雜工作，列車運行圖編制的任務目標、規則約束和策略方法體系共同構成鐵路列車運行圖編制體系。

1.1 列車運行圖編制任務目標體系

列車運行圖任務目標體系分為4個層面，列車運行圖編制任務目標層級圖如圖1 所示，從下往上依次為編制場景、編制要素、編制范圍和優化目標。

圖1 列車運行圖編制任務目標層級圖Fig.1 Hierarchy chart of train working diagram compilation task objectives

（1）編制場景是指列車運行圖編制的原因和主要適用范圍，主要包括新線開通、既有線調整、設備改造和客貨需求重大變化4 類情況，編圖場景直接決定了運行圖編制范圍和參與人員，直接影響運行圖編制的目標任務。

（2）編制要素是指列車運行圖編制過程中需要調整和變化的要素，主要包括列車運行線、列車股道運用、交路以及天窗等。

（3）編制范圍是指列車運行圖編制涉及的范圍大小，從微觀到宏觀按照由點到線、由線到面、由面到網的順序進行編制。

（4）優化目標是指列車運行圖編制考慮的直接目標，主要包括以能力最大化為目標、以移動設備運用效率最高為目標、以客貨運服務水平最優為目標、以運行圖彈性最優為目標、以運行圖經濟性最優為目標以及多目標因素最優為目標，運行圖優化目標是運行圖編制目標任務的直接體現。

1.2 列車運行圖編制規則約束體系

列車運行圖編制過程中，需遵守相應的編制規則和約束，對各種沖突和不合理之處，采取不同調整策略進行疏解和優化，根據列車運行圖編制規則，歸納列車運行圖編制規則約束體系，由下到上按照約束的強弱程度，共分為5 個層面，分別為剛性約束層、能力約束層、客貨需求層、指標效率層和實績執行層，列車運行圖編制規則約束層級圖如圖2所示。

圖2 列車運行圖編制規則約束層級圖Fig.2 Constraint hierarchy diagram of train operation chart compilation rules

（1）剛性約束層主要包括路網條件、運行圖技術參數、技術作業標準、涉及列車運行安全的約束以及其他編圖參數，編圖過程中應嚴格遵守并符合剛性約束，保證列車運行安全。

（2）能力供給層主要包括線路、車站能力利用現狀以及移動設備、檢修設施的能力供給情況，編圖過程中應充分合理利用各項運輸資源能力供給，做到點線能力結合、高普速列車能力結合、本跨線列車能力結合。

（3）客貨需求層指列車運行圖編制應適應客貨運輸市場需求，根據客貨流特點，最大限度滿足旅客出行和貨物運輸需要，做到列車運行線與客貨流相結合。

（4）指標效率層指列車運行圖在滿足剛性約束、能力供給及客貨需求的基礎上，需進一步提升技術經濟指標，盡可能提高動車組運用效率和客貨運輸收入。

（5）實績執行層指列車運行圖應具備實際可執行性，包括合理安排司乘人員作息時間，合理保持運行圖彈性，提高鐵路應急處置能力等。

1.3 列車運行圖編制策略方法體系

針對列車運行圖各項沖突，需要采取相應的調整策略進行疏解和優化，列車運行圖編制策略方法層級圖如圖3 所示，列車運行圖基礎策略方法共12種，包括上移股道、下移股道、區間放點、區間收點、增加停時、減少停時、新增運行線、刪除運行線、分段前移運行線、分段后移運行線、勾畫交路、刪除交路。將基礎策略方法進行歸并，得到6 種組合策略方法，進一步結合，形成運行圖鋪畫中經常使用的7種復雜策略方法。

圖3 列車運行圖編制策略方法層級圖Fig.3 Hierarchical diagram of the strategy and method for compiling train working diagrams

2 基于人工智能的列車運行圖智能編制總體框架

2.1 基于人工智能的列車運行圖智能編制總體架構

將列車運行圖編制任務目標、規則和策略與人工智能理論相結合，創建基于人工智能的大數據、大算力、大模型、大應用的列車運行圖智能編制總體架構，基于人工智能的列車運行圖智能編制總體架構如圖4所示。

圖4 基于人工智能的列車運行圖智能編制總體架構Fig.4 Overall architecture of intelligent train working diagram compilation based on artificial intelligence

（1）大數據層是人工智能技術的內驅動力源，通過圖像識別、語義嵌入、特征工程提取等手段，智能高效感知和獲取具有規模巨大、類型繁多、價值密度低等特征的列車運行圖全生命周期數據集合，作為下一步大規模訓練、學習、評估和仿真的素材和依據。

（2）大算力層是人工智能技術的核心引擎，用以支撐大模型層的大規模復雜并行矩陣運算和神經網絡模型訓練，使用高速智算云平臺架構，最大化計算性能和資源利用率。

（3）大模型層體現人工智能技術的核心競爭力，采用深度強化學習、元強化學習、模仿學習、生成對抗等模型，通過模型訓練和升級迭代，使其從數據中學習經驗并做出預測或決策，全方位支撐列車運行圖智能化編制的不同任務目標和適用場景。

（4）大應用層是人工智能技術應用于列車運行圖編制的領域和成果，支撐列車運行圖編制全生命周期多場景全要素一體化智能編制方案。

2.2 基于人工智能的列車運行圖智能編制技術架構

基于人工智能的列車運行圖智能編制技術架構如圖5 所示，采用全鏈路混合云計算框架，實現對列車運行圖智能計算一體化全流程技術支撐。集成智算平臺可分為硬件層、數據層、服務層的3 層結構，通過IaaS 基礎設施云、PaaS 平臺服務云以及SaaS軟件服務云，實現不同層級的功能部署。

圖5 基于人工智能的列車運行圖智能編制技術架構Fig.5 Technical architecture for intelligent compilation of train operation diagrams based on artificial intelligence

（1）IaaS基礎設施云，提供存儲、網絡虛擬化以及計算機虛擬化等服務，具有高靈活性、高可擴展性、完全自主性等特點，能夠為列車運行圖智算數據存儲、智算資源申請等提供歸一化控制。硬件層包含高性能設備集群，包含中央處理器CPU 集群、圖形處理器GPU集群、張量處理器TPU集群、神經網絡處理器NPU 集群以及高性能磁盤陣列等硬件設施，為列車運行圖智能計算提供充足的算力保障。數據層基于關系型數據庫和非關系型數據庫的復合結構，實現了基礎數據、編圖數據、列車數據等多源異構數據的存儲、讀寫以及高性能查詢等相關功能。

（2）PaaS 平臺服務云，通過容器、容器調度、配置管理、運行監控等服務，將列車運行圖智能計算所需的不同功能聚類形成相應服務平臺，并按需實現硬件的資源調度，具有風險低、開發速度快、擴展性高的特點。算法基礎層實現了深度學習、強化學習、深度強化學習、經驗庫回放、神經網絡訓練等基礎通用算法的集成，在大幅降低了智能算法開發和實驗成本的同時，有力提高了算法的調用靈活性和計算速度。框架層集成主流深度學習、深度強化學習以及環境框架，保障多維度智能計算任務，有效提升了算法研發效率。可視化層包含神經網絡可視化、訓練過程可視化、自動調參工具、客戶端可視化以及Web可視化等服務，為神經網絡模型構建、模型訓練、參數調整以及結果輸出的智能計算全流程可視化提供基礎功能。

（3）SaaS軟件服務云為全鏈路云計算技術的最頂端，通過局域網，為列車運行圖智能計算科研人員提供高成熟度的算法研發環境，能夠使其擺脫復雜的軟硬件管理，具有高安全性、高可用性以及高可靠性的特點。服務接口層封裝了綜合調度、服務代理、運行監控、數據中臺、算法服務、環境采樣服務、模型訓練服務，提供高集成的智能計算環境，輕松實現對算法的構建、訓練、資源分配、流程監控等一體化實用功能。

2.3 基于人工智能的列車運行圖智能編制總體路線

將人工智能自識別、自推演、自評價、自學習、自決策特性和列車運行圖編制流程結合，創建基于人工智能的列車運行圖智能編制總體路線如圖6 所示。總體技術路線由訓練過程和使用過程2 部分組成，訓練過程由算法工程師和編圖工程師共同參與，分別對模型超參和目標參數進行修正和調整，實現智能體編圖經驗的學習和編圖能力的提升，使用過程僅由編圖工程師參與，主要對全流程進行人為監測和最終方案抉擇。

圖6 基于人工智能的列車運行圖智能編制總體路線Fig.6 Intelligent preparation of overall route for train operation diagram based on artificial intelligence

（1）訓練過程中，首先提前做好數據準備和訓練場景的預設定，提供多模態的數據導入和初始方案參數的人為調整，在智能體的自學習過程中，第一步是智能體的初始化，實現編圖目標、環境設定和獎勵函數的初始化；第二步是智能體的態勢自感知，智能體自動識別列車運行圖整體結構、時空定位以及基于全域資源的占用沖突；第三步是智能體根據當前態勢進行行動自推演，對于所有可能的行動進行模擬演算，拓展候選行動集；第四步是方案自評價，根據智能體的策略網絡和價值網絡，對于每一步行動進行評價；第五步根據不同的策略評分大小，進行方案決策；第六步將每一步決策的經驗儲存下來，作為專家經驗庫。

（2）使用過程中，根據不同的編圖場景和目標任務，自適應推薦最優參數方案，在智能體的自學習過程中，智能體不需要再進行初始化，而是直接從專家經驗庫中讀取相關經驗，在智能體完成自學習過程后，再根據編圖工程師的喜好和高級指標設定，進行方案自推薦，從可選列車運行圖集合中選取出最終版列車運行圖方案。

3 基于人工智能的列車運行圖智能編制需要重點突破的關鍵技術

實現基于人工智能的列車運行圖智能編制技術，需要重點突破以下5項關鍵技術。

（1）列車運行圖數字化生態體系構建關鍵技術。基于數據采集、數據清洗與數據整合技術，面向列車運行圖編制全生命周期，綜合采集包括路網基礎數據、編圖數據、列車數據、圖面數據、開行方案、編組計劃、實績圖執行情況、編圖操作日志、分析評價數據等在內的多維度、大規模、多模態數據，構建集結構化、非結構化數據于一體的可擴展數據湖，采用大數據治理技術，實現數據清洗與數據結構統一，搭建高可用集成化數據倉庫。

（2）基于大規模分布式云算力集群的高性能智算技術。面對具有不同計算能力、存儲容量和網絡帶寬的異構資源節點，優化數據分布與通信架構，設計基于異構資源集群的分布式并行計算優化算法，最大化分布式計算系統中的計算性能和資源利用率。充分考慮計算需求、節點計算能力與網絡狀況，設計自適應的負載均衡算法，優化任務調度方案，將任務合理地分配給異構資源節點，最大程度減少任務執行時間，提高整體性能。充分分析算法中不同算子之間的依賴關系和計算特性，將它們合并為更高效的計算單元。設計智能算法調優策略，自動選擇和調整算子融合方式，以適應不同的數據和計算場景。

（3）全域運輸資源占用態勢感知和演化技術。列車運行圖智能編制過程中，應綜合考慮各專業領域對列車運行圖的關注點，基于不同編圖目標間的耦合和約束關系，構建列車運行圖全局方案下的多粒度評價指標體系，通過相對性指標描述不同編圖場景下的列車運行圖優化效果與效率；充分考慮區段運行線與停站方案、到發線運用、車站進路編排之間的時空資源占用與復雜聯動關系，構建不同場景下的最優調整策略，實現列車運行圖點線一體化自動編排；統籌考慮局部線路區段、單條線路與路網之間錯綜復雜的運輸資源沖突與強耦合關系。面對求解復雜度指數爆炸的NP 難問題，設計學習層次化訓練方法，將復雜問題按層級分為子任務建模，采用高性能、高吞吐、大容量硬件架構與分布式并行計算引擎，實現算法的高效訓練與決策庫、決策權重持久化存儲，在使用中結合搜索樹實現列車運行圖的快速智能優化。

（4）基于異步策略迭代的列車運行圖智能體自推演技術。面向列車運行圖智能化編制問題構建學習模型整體框架，基于列車運行圖編制場景庫設計各編圖場景下智能體狀態空間，簡潔高效表述環境的關鍵信息；基于列車運行圖編制規則庫設計智能體動作空間，規定簡單動作和復雜動作決策；基于列車運行圖編制參數庫與運行圖關鍵評價指標設計智能體獎勵機制，提出決策價值函數與策略函數構建方法。

（5）基于遷移學習的列車運行圖智能體泛化能力提升方法。針對我國路網規模巨大、結構復雜、編圖場景多樣化的特點，為減少學習模型在不同場景下的重復訓練時間，提高模型泛化能力，研究基于遷移學習模型訓練效率提升技術，通過預訓練、特征預提取、知識蒸餾、參數共享等方法提升不同編圖場景下的列車運行圖智能化編制效率。

4 結束語

利用人工智能技術解決列車運行圖智能編制問題是一次創新和探索，研究將列車運行圖編制目標場景、規則約束以及策略方法體系與人工智能技術相結合，提出列車運行圖智能編制總體架構、技術架構、總體路線以及需要重點突破的關鍵技術，對于下一步推動“圖客貨調”全業務鏈融合創新和高度智能化發展，提升鐵路運輸需求處理、供給響應和組織決策能力，全面支撐現代化鐵路運輸服務體系建設，賦能鐵路運輸高質量發展，具有重大的現實意義與戰略意義。