城市轨道交通网络限流与列车调整协同优化建模与仿真

The optimization of interaction between passenger holding and train rescheduling in urban rail transit network under complex and changing environment is a NP-hard problem, and traditional analysis method based on the operational research and artificial intelligence cannot satisfy real-time and decision-making requirements of the complex network with interaction of huge passenger flow and trains. Taking the dynamic network consisting of passenger flow and train operation as research object, the project establishes a multi-level hierarchical and distributed multi-agent framework which aims to ensure safety and efficiency of network operation by analyzing the interaction effect of train operation and passenger travel both in time and space, depending on the characteristics of large network scale, multiple factors, constraints and objectives as well as the instantaneity and dynamics. In the project the prevention reactive robustness-agent scheduling model with disturbance absorption and adaptive ability, multi-objective agent evaluation model based on data envelopment analysis as well as self-learning model based on agent scheduling rule with reinforcement learning are discussed. Eventually the multi-agent modeling and simulation theory, method and prototype system optimization of interaction between passenger holding and train rescheduling under the dynamic network are formed. The research has an important role in revealing the dynamic matching mechanism of passenger travel and train operation under the uncertain environment of urban rail transit network, and improving the collaborative optimization of passenger holding and train adjustment under emergency conditions.

开放时变特征环境下的城市轨道交通网络限流与列车调整协同优化是一个复杂的NP-hard问题，传统基于运筹学和人工智能的分析方法无法满足复杂网络中高强度客流与列车交互的实时决策要求。本项目以由乘客流动和列车运行组成的动态网络为研究对象，以保障网络运营安全和高效为目标，基于网络规模大、因素多、约束和目标多、强实时性和动态性等特点，通过对网络列车运行与乘客出行在时间与空间上的影响与协调机理解析，建立分层递阶式的分布式多智能体架构，重点探讨具有干扰吸收和自适应能力"预防反应式"鲁棒Agent调度模型、基于"数据包络分析"的Agent多目标评估模型以及基于"强化学习"的智能Agent调度规则的自学习模型，最终形成协同优化的相关理论、方法和原型系统。本研究对揭示城市轨道交通网络不确定环境下乘客出行和列车运行的动态匹配机理、提高大客流条件下的限流与列车调整协同优化处置的水平具有重要的理论和实际应用意义。

为了有效应对城市轨道交通网络化运营中大客流带来的风险，本项目基于多智能体理论的建模方法与原型系统设计，研究城市轨道交通网络不确定环境下乘客出行和列车运行的动态匹配机理，揭示了“站车协同”方案决策过程的动态性和实时性等本质，形成的理论成果可以完善和丰富现有运输组织理论和方法，对于提高大客流条件下的限流与列车调整协同优化处置的水平具有重要的理论和实际应用意义。项目在完成目标的同时主要取得了以下几个方面的成果：（1）对“站车协同”优化的关键因素和协同机理、“站车协同”优化问题的研究方法、多智能体的“站车协同”方案优化建模与仿真等方面的国内外文献进行了系统梳理后凝练出了关键研究问题及重点。（2）基于客流的出行特征，研究了影响站外和换乘通道限流方案的实施条件、实施方法和影响实施过程的关键因素。以乘客流动和列车运行组成的动态网络为研究对象，剖析了“站车协同”策略以及各因素的相互影响机理。（3）从多维度构建了限流方案的评价指标体系，并在此基础上以上海市轨道交通实际线路客流数据为例，提出了基于计算机仿真的限流方案编制与评估方法。（4）将城市轨道交通运营网络组成元素抽象细化为多Agent元素，采用启发式算法对线路车站协同限流方案进行了优化。（5）基于多智能体的“站车协同”方案优化仿真平台，基于强化学习算法，对城市轨道交通线路高峰时段限流方案优化。（6）从轨道交通线路乘客滞留惩罚值最小的角度出发，基于强化Q学习算法构建了环境、状态、动作和反馈方程模型，以上海地铁6号线为实例，得出了城市轨道交通线路限流与列车跳站停车运行优化方案；通过本项目的研究，对保障运营安全，减缓大客流对车站、线路乃至整个路网所造成的压力，提高运营效率有着重要的意义。项目资助发表的论文共计24篇，其中SCI论文8篇，EI论文7篇，申请发明专利1项，培养了3名博士生与7名硕士生。