基于专家系统和深度强化学习的地铁列车增强智能列车操作算法
Yunhu Huang1, Wenzhu Lai2, Dewang Chen3,4
1College of Computer and Data Science, Minjiang University, Fuzhou, Fujian, China.
PloS one
|May 21, 2025
概括
本研究介绍了增强的智能列车操作 (EITO) 算法,将专家知识和深度强化学习结合起来. EITO优化了能源消耗和乘客舒适度,优于地铁系统中的现有方法.
科学领域:
- * 铁路工程 铁路工程
- * 人工智能 * 人工智能
- * 运营研究 运营研究
背景情况:
- * 为了提高效率,地铁网络越来越多地采用自动列车操作 (ATO) 系统.
- *现有的ATO系统在计算限制,适应性和多目标优化方面面临挑战.
- *需要先进的算法来提高火车运行性能,超出目前的能力.
研究的目的:
- * 开发新的增强智能列车操作 (EITO) 算法,解决当前ATO系统的局限性.
- *将专家知识与深度强化学习相结合,以实现更高水平的列车控制.
- * 实时优化多个性能指标,包括能源消耗和乘客舒适度.
主要方法:
- * 提出了两个增强的智能列车操作 (EITO) 算法:EITOE (基于专家系统) 和EITOP (基于使用近接政策优化 (PPO) 的深度强化学习).
- * 开发了双最小时间分布 (DMTD) 计算方法,用于延长航程和能源优化.
- * 采用了北京地铁 (YLBS) Yizhuang线的现实数据进行比较测试.
主要成果:
- *与手动驾驶和现有的智能驾驶算法 (ITOR,STON) 相比,EITO算法在能源消耗和乘客舒适性方面表现优越.
- *使用PPO,EITOP通过在线优化多个目标而没有依赖离线速度配置文件,实现了最佳的整体性能.
- *EITO的稳固性在复杂的地铁线路上得到验证,速度限制和坡度各不相同.
结论:
- * 拟议的EITO算法,特别是EITOP算法,代表了自动列车操作的重大进步.
- * 这些算法有效地解决了计算限制和多目标平衡,提高了运营效率和乘客体验.
- * EITO为优化地铁列车在各种运行场景中的性能提供了实用和有效的解决方案.


