基于人工智能的列车运行图智能编制技术体系框架研究

蒋 辉，李 博，贺俊源

(1.中国铁道科学研究院集团有限公司，北京 100081；2.中国铁路列车运行图技术中心，北京 100081；3.中国铁道科学研究院集团有限公司 运输及经济研究所，北京 100081)

0 引言

列车运行图是铁路运输组织的重要技术文件，是客运、货运、司乘、施工、车站作业、机车和动车运用等计划编制的依据，其编制质量和效率直接影响铁路运输资源运用效率和运输效益[1]以及面向动态变化市场的响应程度。随着计算机技术的发展，列车运行图编制手段和技术不断提升，编图周期不断缩短，从传统纸笔手工编制的每2 年至4 年编制1 次，到单机、局域网计算机辅助编制的每年1～2 次，再到计算机异地联网编制的每年4 次，实现了“一季一图”编制模式。随着我国社会经济快速发展，高速铁路网规模不断扩大，客货运输需求量的提升和市场动态变化节奏的加快，现行以人的经验策略为主导，人机交互的编图方式，受人的计算力和精力的限制，已无法支撑列车运行图编制质量和效率的实质性提升，需要依托基于云平台的列车运行图编制系统计算能力[2]，利用人工智能技术，开展列车运行图智能编制技术的研究和应用。

国内外学者对于列车运行图编制技术开展了大量研究工作，国外铁路大多采用周期性列车运行图方式，其形成的编图技术[3-5]不适用于我国超大规模网络化编图场景，国内学者通常根据具体场景设计启发式策略，将原问题分解或简化，以实现减小求解规模，提升求解效率。例如，彭其渊等[6-7]设计了时空局域滚动算法，以有向弧和有向列车径路为主线，构造符合我国铁路实际路网情况的列车运行图优化模型，并提出采用加边求解原问题各子问题并逐步得出网络列车运行图整体解的分解算法；周磊山等[8]从宏观和微观层面设计铁路网络，将列车按照优先级进行分层，提出网络分层并行算法；史峰等[9]将问题从时间维度划分为若干个阶段，每个阶段采用最早冲突疏解法；倪少权[10]提出基于分层决策的满意优化方法。面对列车运行图编制优化问题，聂磊等[11]根据高速铁路列车运行图的特点，提出了阶段移线法，为计算机编制列车运行图处理移线问题奠定了基础；周文梁等[12]设计了基于定序优化的高速铁路网络列车运行图铺画方法，提出组合平移列车作业、交换列车作业顺序、变更列车停站等冲突化解策略；曲思源等[13]从列车运行图结构出发，分析京沪高速铁路列车运行特征、通过能力影响因素及优化措施；廖正文等[14]结合累计流变量模型的特点，构建双线铁路列车运行图优化0-1 整数规划模型，并设计拉格朗日松弛算法。此外，国内学者还进行列车运行图与其他运营计划的协调编制技术研究，如列车运行线与动车组交路、列车运行线与车站股道运用计划等[15-17]。以上理论研究成果，为列车运行图智能化编制技术的研究和发展提供了经验借鉴。

随着人工智能理论的发展和应用，面对我国庞大的路网结构和衔接关系，以及复杂的运输组织模式和客货列车开行需求，为列车运行图智能编制技术研究提供了新的技术路线。

1 列车运行图编制体系研究

列车运行图编制是一项涉及因素多、耦合性强的复杂工作，列车运行图编制的任务目标、规则约束和策略方法体系共同构成铁路列车运行图编制体系。

1.1 列车运行图编制任务目标体系

列车运行图任务目标体系分为4个层面，列车运行图编制任务目标层级图如图1 所示，从下往上依次为编制场景、编制要素、编制范围和优化目标。

图1 列车运行图编制任务目标层级图Fig.1 Hierarchy chart of train working diagram compilation task objectives

（1）编制场景是指列车运行图编制的原因和主要适用范围，主要包括新线开通、既有线调整、设备改造和客货需求重大变化4 类情况，编图场景直接决定了运行图编制范围和参与人员，直接影响运行图编制的目标任务。

（2）编制要素是指列车运行图编制过程中需要调整和变化的要素，主要包括列车运行线、列车股道运用、交路以及天窗等。

（3）编制范围是指列车运行图编制涉及的范围大小，从微观到宏观按照由点到线、由线到面、由面到网的顺序进行编制。

（4）优化目标是指列车运行图编制考虑的直接目标，主要包括以能力最大化为目标、以移动设备运用效率最高为目标、以客货运服务水平最优为目标、以运行图弹性最优为目标、以运行图经济性最优为目标以及多目标因素最优为目标，运行图优化目标是运行图编制目标任务的直接体现。

1.2 列车运行图编制规则约束体系

列车运行图编制过程中，需遵守相应的编制规则和约束，对各种冲突和不合理之处，采取不同调整策略进行疏解和优化，根据列车运行图编制规则，归纳列车运行图编制规则约束体系，由下到上按照约束的强弱程度，共分为5 个层面，分别为刚性约束层、能力约束层、客货需求层、指标效率层和实绩执行层，列车运行图编制规则约束层级图如图2所示。

图2 列车运行图编制规则约束层级图Fig.2 Constraint hierarchy diagram of train operation chart compilation rules

（1）刚性约束层主要包括路网条件、运行图技术参数、技术作业标准、涉及列车运行安全的约束以及其他编图参数，编图过程中应严格遵守并符合刚性约束，保证列车运行安全。

（2）能力供给层主要包括线路、车站能力利用现状以及移动设备、检修设施的能力供给情况，编图过程中应充分合理利用各项运输资源能力供给，做到点线能力结合、高普速列车能力结合、本跨线列车能力结合。

（3）客货需求层指列车运行图编制应适应客货运输市场需求，根据客货流特点，最大限度满足旅客出行和货物运输需要，做到列车运行线与客货流相结合。

（4）指标效率层指列车运行图在满足刚性约束、能力供给及客货需求的基础上，需进一步提升技术经济指标，尽可能提高动车组运用效率和客货运输收入。

（5）实绩执行层指列车运行图应具备实际可执行性，包括合理安排司乘人员作息时间，合理保持运行图弹性，提高铁路应急处置能力等。

1.3 列车运行图编制策略方法体系

针对列车运行图各项冲突，需要采取相应的调整策略进行疏解和优化，列车运行图编制策略方法层级图如图3 所示，列车运行图基础策略方法共12种，包括上移股道、下移股道、区间放点、区间收点、增加停时、减少停时、新增运行线、删除运行线、分段前移运行线、分段后移运行线、勾画交路、删除交路。将基础策略方法进行归并，得到6 种组合策略方法，进一步结合，形成运行图铺画中经常使用的7种复杂策略方法。

图3 列车运行图编制策略方法层级图Fig.3 Hierarchical diagram of the strategy and method for compiling train working diagrams

2 基于人工智能的列车运行图智能编制总体框架

2.1 基于人工智能的列车运行图智能编制总体架构

将列车运行图编制任务目标、规则和策略与人工智能理论相结合，创建基于人工智能的大数据、大算力、大模型、大应用的列车运行图智能编制总体架构，基于人工智能的列车运行图智能编制总体架构如图4所示。

图4 基于人工智能的列车运行图智能编制总体架构Fig.4 Overall architecture of intelligent train working diagram compilation based on artificial intelligence

（1）大数据层是人工智能技术的内驱动力源，通过图像识别、语义嵌入、特征工程提取等手段，智能高效感知和获取具有规模巨大、类型繁多、价值密度低等特征的列车运行图全生命周期数据集合，作为下一步大规模训练、学习、评估和仿真的素材和依据。

（2）大算力层是人工智能技术的核心引擎，用以支撑大模型层的大规模复杂并行矩阵运算和神经网络模型训练，使用高速智算云平台架构，最大化计算性能和资源利用率。

（3）大模型层体现人工智能技术的核心竞争力，采用深度强化学习、元强化学习、模仿学习、生成对抗等模型，通过模型训练和升级迭代，使其从数据中学习经验并做出预测或决策，全方位支撑列车运行图智能化编制的不同任务目标和适用场景。

（4）大应用层是人工智能技术应用于列车运行图编制的领域和成果，支撑列车运行图编制全生命周期多场景全要素一体化智能编制方案。

2.2 基于人工智能的列车运行图智能编制技术架构

基于人工智能的列车运行图智能编制技术架构如图5 所示，采用全链路混合云计算框架，实现对列车运行图智能计算一体化全流程技术支撑。集成智算平台可分为硬件层、数据层、服务层的3 层结构，通过IaaS 基础设施云、PaaS 平台服务云以及SaaS软件服务云，实现不同层级的功能部署。

图5 基于人工智能的列车运行图智能编制技术架构Fig.5 Technical architecture for intelligent compilation of train operation diagrams based on artificial intelligence

（1）IaaS基础设施云，提供存储、网络虚拟化以及计算机虚拟化等服务，具有高灵活性、高可扩展性、完全自主性等特点，能够为列车运行图智算数据存储、智算资源申请等提供归一化控制。硬件层包含高性能设备集群，包含中央处理器CPU 集群、图形处理器GPU集群、张量处理器TPU集群、神经网络处理器NPU 集群以及高性能磁盘阵列等硬件设施，为列车运行图智能计算提供充足的算力保障。数据层基于关系型数据库和非关系型数据库的复合结构，实现了基础数据、编图数据、列车数据等多源异构数据的存储、读写以及高性能查询等相关功能。

（2）PaaS 平台服务云，通过容器、容器调度、配置管理、运行监控等服务，将列车运行图智能计算所需的不同功能聚类形成相应服务平台，并按需实现硬件的资源调度，具有风险低、开发速度快、扩展性高的特点。算法基础层实现了深度学习、强化学习、深度强化学习、经验库回放、神经网络训练等基础通用算法的集成，在大幅降低了智能算法开发和实验成本的同时，有力提高了算法的调用灵活性和计算速度。框架层集成主流深度学习、深度强化学习以及环境框架，保障多维度智能计算任务，有效提升了算法研发效率。可视化层包含神经网络可视化、训练过程可视化、自动调参工具、客户端可视化以及Web可视化等服务，为神经网络模型构建、模型训练、参数调整以及结果输出的智能计算全流程可视化提供基础功能。

（3）SaaS软件服务云为全链路云计算技术的最顶端，通过局域网，为列车运行图智能计算科研人员提供高成熟度的算法研发环境，能够使其摆脱复杂的软硬件管理，具有高安全性、高可用性以及高可靠性的特点。服务接口层封装了综合调度、服务代理、运行监控、数据中台、算法服务、环境采样服务、模型训练服务，提供高集成的智能计算环境，轻松实现对算法的构建、训练、资源分配、流程监控等一体化实用功能。

2.3 基于人工智能的列车运行图智能编制总体路线

将人工智能自识别、自推演、自评价、自学习、自决策特性和列车运行图编制流程结合，创建基于人工智能的列车运行图智能编制总体路线如图6 所示。总体技术路线由训练过程和使用过程2 部分组成，训练过程由算法工程师和编图工程师共同参与，分别对模型超参和目标参数进行修正和调整，实现智能体编图经验的学习和编图能力的提升，使用过程仅由编图工程师参与，主要对全流程进行人为监测和最终方案抉择。

图6 基于人工智能的列车运行图智能编制总体路线Fig.6 Intelligent preparation of overall route for train operation diagram based on artificial intelligence

（1）训练过程中，首先提前做好数据准备和训练场景的预设定，提供多模态的数据导入和初始方案参数的人为调整，在智能体的自学习过程中，第一步是智能体的初始化，实现编图目标、环境设定和奖励函数的初始化；第二步是智能体的态势自感知，智能体自动识别列车运行图整体结构、时空定位以及基于全域资源的占用冲突；第三步是智能体根据当前态势进行行动自推演，对于所有可能的行动进行模拟演算，拓展候选行动集；第四步是方案自评价，根据智能体的策略网络和价值网络，对于每一步行动进行评价；第五步根据不同的策略评分大小，进行方案决策；第六步将每一步决策的经验储存下来，作为专家经验库。

（2）使用过程中，根据不同的编图场景和目标任务，自适应推荐最优参数方案，在智能体的自学习过程中，智能体不需要再进行初始化，而是直接从专家经验库中读取相关经验，在智能体完成自学习过程后，再根据编图工程师的喜好和高级指标设定，进行方案自推荐，从可选列车运行图集合中选取出最终版列车运行图方案。

3 基于人工智能的列车运行图智能编制需要重点突破的关键技术

实现基于人工智能的列车运行图智能编制技术，需要重点突破以下5项关键技术。

（1）列车运行图数字化生态体系构建关键技术。基于数据采集、数据清洗与数据整合技术，面向列车运行图编制全生命周期，综合采集包括路网基础数据、编图数据、列车数据、图面数据、开行方案、编组计划、实绩图执行情况、编图操作日志、分析评价数据等在内的多维度、大规模、多模态数据，构建集结构化、非结构化数据于一体的可扩展数据湖，采用大数据治理技术，实现数据清洗与数据结构统一，搭建高可用集成化数据仓库。

（2）基于大规模分布式云算力集群的高性能智算技术。面对具有不同计算能力、存储容量和网络带宽的异构资源节点，优化数据分布与通信架构，设计基于异构资源集群的分布式并行计算优化算法，最大化分布式计算系统中的计算性能和资源利用率。充分考虑计算需求、节点计算能力与网络状况，设计自适应的负载均衡算法，优化任务调度方案，将任务合理地分配给异构资源节点，最大程度减少任务执行时间，提高整体性能。充分分析算法中不同算子之间的依赖关系和计算特性，将它们合并为更高效的计算单元。设计智能算法调优策略，自动选择和调整算子融合方式，以适应不同的数据和计算场景。

（3）全域运输资源占用态势感知和演化技术。列车运行图智能编制过程中，应综合考虑各专业领域对列车运行图的关注点，基于不同编图目标间的耦合和约束关系，构建列车运行图全局方案下的多粒度评价指标体系，通过相对性指标描述不同编图场景下的列车运行图优化效果与效率；充分考虑区段运行线与停站方案、到发线运用、车站进路编排之间的时空资源占用与复杂联动关系，构建不同场景下的最优调整策略，实现列车运行图点线一体化自动编排；统筹考虑局部线路区段、单条线路与路网之间错综复杂的运输资源冲突与强耦合关系。面对求解复杂度指数爆炸的NP 难问题，设计学习层次化训练方法，将复杂问题按层级分为子任务建模，采用高性能、高吞吐、大容量硬件架构与分布式并行计算引擎，实现算法的高效训练与决策库、决策权重持久化存储，在使用中结合搜索树实现列车运行图的快速智能优化。

（4）基于异步策略迭代的列车运行图智能体自推演技术。面向列车运行图智能化编制问题构建学习模型整体框架，基于列车运行图编制场景库设计各编图场景下智能体状态空间，简洁高效表述环境的关键信息；基于列车运行图编制规则库设计智能体动作空间，规定简单动作和复杂动作决策；基于列车运行图编制参数库与运行图关键评价指标设计智能体奖励机制，提出决策价值函数与策略函数构建方法。

（5）基于迁移学习的列车运行图智能体泛化能力提升方法。针对我国路网规模巨大、结构复杂、编图场景多样化的特点，为减少学习模型在不同场景下的重复训练时间，提高模型泛化能力，研究基于迁移学习模型训练效率提升技术，通过预训练、特征预提取、知识蒸馏、参数共享等方法提升不同编图场景下的列车运行图智能化编制效率。

4 结束语

利用人工智能技术解决列车运行图智能编制问题是一次创新和探索，研究将列车运行图编制目标场景、规则约束以及策略方法体系与人工智能技术相结合，提出列车运行图智能编制总体架构、技术架构、总体路线以及需要重点突破的关键技术，对于下一步推动“图客货调”全业务链融合创新和高度智能化发展，提升铁路运输需求处理、供给响应和组织决策能力，全面支撑现代化铁路运输服务体系建设，赋能铁路运输高质量发展，具有重大的现实意义与战略意义。