機器學習在鐵路列車調度調整中的應用綜述

文 超，李 津，李忠燦，智利軍，田 銳，宋邵杰

(1.西南交通大學，交通運輸與物流學院，成都 611756；2.中土集團福州勘察設計研究院有限公司，福州 350013；3.中國國家鐵路集團有限公司調度指揮中心，北京 100844；4.中國鐵路廣州局集團有限公司調度所，廣州 510088)

0 引 言

鐵路調度指揮是鐵路運營管理和列車運行控制的中樞，擔負著組織指揮鐵路列車運行和日常生產活動的重要任務。列車調度員需要根據各種實時信息和預定的規則來實現相應的調整目標，而基于調度員經驗的傳統人工為主的調度方法已經難以適應當前復雜的運輸組織需求。智能鐵路已成為世界鐵路發展的重點方向，智能行車調度是我國鐵路當前及未來一定時期內發展的關鍵技術。中國工程院“智能高鐵戰略研究(2035)”重大咨詢項目認為：智能行車調度是我國智能高鐵中期(2021—2025)要實現的目標[1]。為了保障鐵路運輸服務的安全性、連續性、高效性與準時性，亟需高效準確的決策支持方法來提升調度員決策水平和效度。

實現海量數據可挖掘、設備狀態可診斷、行車安全可預警、復雜路網運營變化可感知、發展趨勢可推斷、輔助決策可支撐，提升鐵路的智能決策水平，提高決策效度是智能鐵路亟待解決的關鍵科學問題，是“交通強國、鐵路先行”戰略的迫切需要和必然要求。數據科學及人工智能給解決鐵路運輸組織大規模和實時性復雜決策支持問題帶來了新的契機。機器學習方法作為人工智能的核心，無需以先驗知識為基礎，而是從數據中發現規律并構造模型來逼近鐵路運輸生產實際情況，已經在鐵路運輸領域凸顯了優勢[2,3]。推理與推薦系統、計算機視覺、知識表達與模式識別等人工智能方法和技術已經在我國鐵路運輸安全、客票、旅客服務等領域取得了初步應用。

列車調度調整一直以來都是制約調度指揮自動化的瓶頸問題[4]。目前普遍認為基于機器學習方法的調度決策方案比經驗決策和傳統數學優化模型更具實用性和科學性[5,6]，但當前世界鐵路調度指揮智能化還有很長的路要走。加速機器學習方法在鐵路列車調度指揮中的應用進程，提高調度決策的智能化和自動化水平，將有效助力我國鐵路行業發展。為全面梳理以機器學習方法在鐵路列車調度指揮中的研究現狀，明確未來研究的重點和方向，本文系統總結了近10 年來機器學習方法在鐵路列車調度調整方面的研究成果，以期為相關研究及發展實踐提供一定參考。

1 相關基本概念

1.1 鐵路列車調度調整流程

在列車實際運行過程中，鐵路系統內外部的各種隨機因素干擾，會導致列車運行的實際狀態偏離預定值、運行秩序紊亂的情況時有發生。列車調度員是管轄區段行車工作的統一指揮者，負責及時收集并分析晚點列車相關的各種信息，根據列車運行態勢分析與評估列車晚點原因和狀態，預測和估計列車晚點演化態勢，并根據經驗和規則制定相應的列車運行調整策略，組織列車盡快恢復正常運行秩序。圖1 所示為鐵路列車調度調整的一般流程。

1.2 鐵路列車調度調整的支持數據

如圖1所示，列車調度員在進行調度調整及制定列車運行調整決策時，需要以海量的列車運行信息為基礎。圖2 所示為鐵路列車調度調整的數據，鐵路列車運行控制系統、行車安全監控系統等調度指揮邊界接口系統（圖中①）采集并提供基礎數據，提取列車運行實時狀態、固定和移動設備運用狀態、列車運行環境信息等調度決策信息（圖中②），上述信息被匯總到鐵路調度指揮系統（圖中③）供調度員決策使用。綜合分析、語義識別等方法已經廣泛應用于鐵路列車調度數據的獲取、篩選、聚合、可視化等數據融合過程[7-9]。

圖1 鐵路列車調度調整的一般流程

圖2 鐵路列車調度調整的數據

1.3 機器學習方法分類

機器學習方法是實現人工智能的重要途徑，被廣泛應用于多個領域，其核心目標是使用算法來解析數據，進而基于數據模擬人類的學習、決策和預測行為。機器學習的主要研究內容為讓機器自動從數據中學習規則并不斷改善自身性能。根據學習策略的不同，機器學習方法一般可以分為有監督學習、無監督學習、強化學習[10]。深度學習是機器學習領域中一個新的研究方向，其概念源于模擬人腦進行分析學習的神經網絡研究。

有監督學習的數據集包含了樣本特征與標簽，在訓練過程中，需要選擇合適的函數模型，通過計算模型的預測值與真實值之間的誤差來優化模型參數。常見的有監督學習算法有線性回歸、邏輯回歸、支持向量機、支持向量回歸、隨機森林等。無監督學習的數據樣本集僅包含特征，算法需要自行發現數據的模態來優化模型。常見的無監督學習算法有主成分分析、K 均值算法、關聯分析算法等。強化學習也稱為增強學習，其算法通過與環境的交互來學習解決問題的策略，進而達成回報最大化或實現特定目標。常見的強化學習算法有Q-learning、近端策略優化算法等。近年來，學者們提出了大量先進的深度學習算法，并在諸多領域取得了遠超先前機器學習技術的分析效果，常見的深度學習算法有卷積神經網絡、循環神經網絡、遞歸神經網絡等。

2 機器學習方法在鐵路調度調整中的應用

本文重點分析機器學習方法在調度調整三個主要方面的應用研究，具體為：

（1）列車晚點狀態分析與評估。旨在評估和闡釋列車歷史運行信息，使用數據聚合和數據挖掘技術，幫助調度員了解列車運行晚點的一般規律。

（2）列車晚點傳播預測。著重于運用機器學習方法研究鐵路列車晚點的傳播過程，包括列車晚點狀態和恢復的預測。

（3）列車運行調整智能化決策。綜合相關行車調度業務規則、機器學習算法和計算建模程序實現調度決策的自動制定。

2.1 列車晚點狀態分析與評估研究

通過對線路晚點規律的掌握，列車調度員可以在晚點發生時正確識別晚點恢復的關鍵影響因素，從而制定相應的對策，實現列車延誤的快速消解。晚點狀態分析與評估是列車晚點預測及列車運行調整的理論基礎，其主要研究內容為：基于鐵路列車運行實績數據，提取并分類統計列車晚點、初始晚點、連帶晚點，運用描述性統計、繪制分布曲線、關聯、聚類等方法探索數據蘊含的規律，從宏觀上探明高速列車晚點分布的基本規律，如列車的晚點時空、時長分布規律等，并將這些規律應用于列車運行過程控制及晚點預測中，調度員可以根據列車在區間的歷史和實時狀態以及列車在后續車站、區間的晚點分布規律，對列車的運行狀態進行預判。

現代統計模型是最簡單和基本的統計機器學習方法，也是晚點分析最常用的方法，其目的在于對數據進行聚合和總結，幫助調度員直觀地了解特定車站、列車或區間的晚點總體或詳細信息。描述性統計方法[11,12]、分布擬合[13,14]等都被應用于晚點致因、晚點分布、連帶晚點的建模。基于列車運行實績數據，對數正態分布、韋伯分布、伽馬分布等統計模型被用于擬合高速列車的晚點致因及影響列車數和影響總時間[15,16]。

為了挖掘深層次的列車晚點規律，一些更高級的機器學習方法被應用于晚點分析中。Markovi?等[17]率先使用支持向量回歸建立列車晚點和鐵路系統的各種特征(基礎設施、時刻表和列車)的功能關系，旨在幫助調度員評估鐵路系統的各種變化對列車晚點的影響。Murali[18]基于模擬的列車晚點數據，提出了一種晚點估計方法，該方法定義了列車晚點與列車組合、運行參數和網絡拓撲之間的函數關系。Lee 等[19]提出了基于機器學習和數據挖掘的監督決策樹方法，用于發現影響連帶晚點的關鍵因素，該模型由數據預處理與分析、決策樹構建、關鍵晚點因子的分析、延遲時空拓撲分析四個階段組成。Cerreto 等[20]使用KMeans 聚類方法識別了丹麥哥本哈根以北的一條高鐵線路周期性晚點模式，通過分析經常性晚點列車的運行規律，查找列車重復晚點原因。張琦等[21]提出了一種高速鐵路列車連帶晚點的特征識別方法，該方法綜合考慮了連帶晚點的實際值、預測值和影響值等因素，將列車晚點分為嚴重、潛在、消散、一般四種類型，提高了列車連帶晚點的辨識度。

列車的運行過程是一個時變的過程，受到大量外界因素的干擾以及行車人員決策的雙重影響。列車晚點的分布具有較大的隨機性，但從歷史數據能夠挖掘相關設備、天氣、作業組織造成晚點的相應概率是關鍵，這樣就能推導并形成列車在相關影響因素下的一般規律，從而為行車指揮提供一定的指導。由于概率統計模型多是基于單變量分析，且模型形式也比較簡單，因此其描述和預測性能往往很有限。目前，主要是運用現代統計、聚類等機器學習方法研究列車晚點狀態分析與評估問題，未見神經網絡、深度學習等高級機器學習方法的應用。

2.2 列車晚點傳播預測研究

2.2.1 列車晚點傳播過程分析

晚點傳播預測是研究者非常關注的問題，其主要內容為：根據列車的歷史和當前運行狀態，通過研究事件和時間驅動下列車晚點狀態的演化過程，預測列車未來在各站的到達/出發時刻以及區間運行時間。準確的晚點傳播預測可以幫助調度員更好地預判和估計列車運行態勢、相關調度決策的預期效果、列車晚點可恢復的程度等，進而通過制定合理的調度決策更高效地實現調整目標。當前列車晚點傳播預測的研究主要集中在晚點致因及持續時長預測、晚點狀態演化預測、晚點恢復預測等幾個方面，也是國內外學者研究鐵路列車調度問題時最熱衷、成果產出最豐富的領域[22-24]。

晚點發展與列車運行環境的影響密切相關，晚點傳播的過程受到當前列車的晚點程度、可利用的冗余時間以及調度工作人員采取的運行調整策略三方面的影響。當調度工作人員采取積極的運行調整措施時，可以有效地緩解晚點程度以達到晚點時長縮短甚至回歸正點狀態。

列車晚點傳播除了上述縱向傳播過程外，還同時具有橫向影響傳播特征。列車晚點狀態通過列車間的相互制約關系橫向傳播，前行列車的晚點導致后行列車的連帶晚點[14]。要研究晚點的傳播過程并實現晚點的預測，需要先探明列車狀態間的時空依賴關系，從已知列車運行實績中建立晚點傳播模型，預測未來的晚點狀態。圖3（a）為列車狀態橫縱向影響的示意圖，圖中時刻t對應的縱軸左邊是已經兌現的運行圖，列車n-1 在車站S2的晚點可能引起列車n-1 在S3、S4及以后各站的晚點（縱向傳播），也可能引起列車n及后行列車在各站的晚點（橫向傳播），此時需要根據列車n-1 及其前行列車的已知狀態去預測列車n-1 及其后行列車的晚點狀態；圖3（b）中時間軸右側的晚點狀態預測需同時考慮其前方多狀態的影響，圖中箭頭為列車狀態的順向推導和演化，分別代表了列車晚點的橫向傳播和縱向傳播的迭代和推演過程。近年來，機器學習方法被廣泛應用于捕捉列車間的相互制約關系、列車運行狀態與運行環境之間的關系、列車運行時間-空間作用過程等研究中。

圖3 考慮多列車的列車運行狀態時空依賴關系及晚點傳播過程預測

2.2.2 列車晚點影響預測

實現鐵路行車故障的影響預測將能夠為調度員預測列車晚點提供基礎依據，可以幫助調度人員估計線路恢復正常運行的時間，并適當地重新安排列車運行。Huang 等[25]提取了故障影響晚點列車運行序列，運用K-Means 聚類算法，根據故障的強度、發生時段及行車間隔將列車晚點故障聚類為4 個不同的類別，可以用于列車晚點致因的特征分類。Oneto 等[26]以意大利鐵路網實際維修記錄、外部天氣數據和運營商的經驗為研究基礎，應用決策樹方法構建了一個基于規則的故障恢復時間預測模型，該模型具有足夠的可解釋性，有助于列車調度員合理評估局部鐵路網絡的可用性。Zilko 等[27]利用非參數貝葉斯網絡建立了一個概率模型來估計鐵路中斷持續時間，該模型在很大程度上依賴于由歷史數據生成的因變量的經驗分布準確性。為了適應實時更新的信息，進一步提出了基于Copula-Bayesian 網絡方法的故障時間預測模型[28]，該模型通過建立中斷長度與各影響因素之間的依賴關系來產生準確預測。湯軼雄等[29]以初始晚點時間、影響列車數、晚點致因為自變量，總晚點時間為因變量，運用支持向量回歸模型實現了故障的晚點時長預測，能夠為調度員的調度決策提供行車故障可能持續時長的信息支持。綜上，在列車晚點致因分析方面，既有研究仍較為缺乏，沒有對不同致因類型引起的晚點影響進行細分，缺乏不同類型晚點情況下的晚點狀態描述和晚點程度的量化標準，需要應用機器學習方法對晚點致因和不同類型初始晚點影響建模進行進一步研究，以推進列車運行精細化管理的實施。

2.2.3 列車晚點狀態演化預測

列車晚點狀態演化的預測，通常是以預測列車在車站到發時刻為突破口，基于列車運行數據挖掘列車運行狀態影響要素對列車運行過程的作用，建立相應的機器學習模型以實現列車運行狀態的推演和預測。線性回歸方法被廣泛應用于晚點預測問題建模，Wang 等[30]基于列車運行歷史數據和實時信息建立了兩種線性回歸模型，使用列車在車站的出發時間估計列車晚點。Li 等[31]運用參數回歸模型和非參數回歸模型預測了列車短時停站時間。Guo 等[32]將列車運行看作是一系列的離散事件，基于京滬高速鐵路5個車站的運行實績建立了晚點預測的線性回歸模型。近年來，支持向量機、隨機森林等機器學習模型被初步嘗試用來分析和預測晚點[17]。Kecman 和Goverde[33]運用統計學習技術，構建了三種列車過程時間預測的全局模型：穩健回歸、回歸樹模型和隨機森林模型，并基于線性回歸的魯棒性，對特定的列車、車站或區段的局部模型進行了校準。Pongnumkul等[34]以泰國國家鐵路六個月的列車歷史旅行時間數據為研究基礎，使用最鄰近節點算法實現了晚點旅客列車到站時間預測，該模型的缺點是難以應用于大型數據集。馬爾科夫模型和貝葉斯網是列車晚點狀態預測研究領域應用最廣泛的方法。運用基于列車運行數據的馬爾科夫模型預測晚點，其重點是狀態轉移矩陣的構建[35]，Barta 等[36]利用大量的歷史晚點數據，提出了馬爾可夫鏈模型用以預測貨運列車在連續車站的晚點情況。Gaurav 等[37]建立了一個N 階馬爾可夫晚點預測框架，使用隨機森林回歸和嶺回歸作為預測模型進行了實驗。Corman 等[38]構建了列車晚點時間預測的貝葉斯網絡模型，實現了30 分鐘以內的列車晚點時間預測，揭示列車運行的動態特性。Oneto 等[39]提出了一種基于深度極值機的列車晚點預測系統來預測晚點，該系統考慮了外部天氣數據的影響。線性回歸、梯度提升回歸樹、決策樹、隨機森林等4種機器學習方法被用來預測考慮天氣影響下的列車晚點，模型比較結果顯示隨機森林的預測精度最高[40]。在神經網絡模型應用方面，Yaghini 等[41]提出了一種高精度的人工神經網絡模型來預測伊朗鐵路客運列車的晚點，并將3種不同的數據輸入方式及3 種體系結構的預測結果與決策樹和多分類邏輯回歸等常用預測方法進行了比較。Oneto等[42,43]將列車晚點預測映射為多元回歸問題，建立了一種基于前饋神經網絡的極限學習機晚點預測模型，并進一步通過引入外部天氣數據的影響以及閾值調整技術對模型進行了改進。張琦等[21]構建了基于小波神經網絡的列車連帶晚點預測模型，利用列車晚點波動的線性組合方程及其結構向量進行列車連帶晚點影響值的量化。孫略添等[44]應用徑向基函數神經網絡對技術站列車晚點時間進行精確預測，同時指出該方法適用于晚點歷史數據較多、大規模、對運到期限要求較高的技術站。

近年來，深度學習方法被逐步應用于列車晚點預測建模。Oneto 等[45]提出了基于機器學習方法的晚點預測系統Train Delay Prediction Systems（TDPS），該系統運用大數據技術和深度極限學習機算法，集成了異構數據源。通過從大量歷史列車運行數據中提取信息，訓練列車晚點預測模型，建立了基于數據驅動的動態列車晚點預測系統。根據列車運行狀態更新訓練數據集，TDPS 實現了列車運行狀態的實時預測。Wen 等[46]基于列車運行實績，長短記憶深度學習模型被用于預測列車晚點時間，挖掘列車運行各要素對列車運行的作用規律，開啟了深度學習用于列車晚點預測的研究。Huang 等[47]提出了一種結合三維卷積神經網絡、長短期記憶神經網絡和全連接神經網絡結構的深度學習方法，針對4條具有不同運行特征的線路進行了預測分析，結果表明該方法具有較高的精度和較強的魯棒性。

另外，列車晚點影響是晚點嚴重程度的重要度量指標。建立晚點影響模型能夠有效地預測晚點的發生概率以及影響程度，可以協助列車調度員進行晚點預測和判斷晚點傳播的影響范圍，從而制定合理的列車運行調整方案。典型機器學習方法，如極端梯度提升被用來預測晚點影響列車數、支持向量回歸模型被用來預測晚點總影響時間，對武廣高鐵列車晚點影響的測試和驗證表明模型能夠為調度員估計晚點影響，度量晚點嚴重程度提供依據[48]。

綜上，列車運行晚點狀態的變化受到外界運行環境和鐵路系統內部各要素的綜合影響，是一個非常復雜的過程，列車運行晚點預測所要考慮的要素眾多。一系列的統計機器學習方法和以卷積神經網絡、長短期記憶神經網絡等為代表的高級機器學習方法已經廣泛應用于列車晚點時間的預測。已有研究建立了一套用于列車晚點預測的高級機器學習模型體系，經過對不同線路、不同數據量情況下的模型驗證發現，高級機器學習方法取得了較好的晚點預測效果，但各類機器學習方法的適用條件和應用情景、所考慮的列車運行不同特征量、推廣可行性等還是值得深入研究的問題，還沒有得到通用性較好的模型和算法。更為重要的是，現有的研究主要是基于靜態數據的，沒有基于實時數據進行列車晚點狀態動態推演的高效算法。

2.2.4 列車晚點恢復預測

列車晚點恢復建模能夠幫助調度員掌握相關調度策略的晚點恢復效果、冗余時間利用情況等，實現對列車晚點恢復的預測，提高調度調整效果。列車晚點恢復建模的重點是建立冗余時間利用模型，難點是提取冗余時間的分布規律及冗余時間的利用效率，最大限度地利用冗余時間消解晚點。

Khadilkar[49]研究了晚點分布概率，通過分析歷史數據知印度鐵路平均晚點恢復率為0.13 min/km，并在晚點恢復模型中以此值表示晚點恢復的能力，但是這個平均值很難反映列車在每個區間、車站的晚點恢復能力，這將影響模型的預測能力。Yang 等[50]運用統計方法建立了列車晚點期望模型，并提出了鐵路冗余時間沖突分配的方法。Steven 等[23]用統計模型分析了晚點列車的冗余時間利用情況，但在分析列車晚點恢復時，假定了冗余時間利用率最大的理想情況。Jiang 等[51]基于武廣高鐵的列車運行實績，比較了多類機器學習模型用于初始晚點恢復預測的效果，建立了有最佳效果的初始晚點恢復預測的隨機森林模型。?ahin等[52]使用從土耳其國家鐵路收集到的歷史數據，建立了一個馬爾可夫鏈模型估計列車晚點傳播和恢復。Huang 等[53]基于武廣高鐵列車運行數據建立了緩沖時間分配的數據驅動模型；嶺回歸機器學習模型被用來解析考慮車站緩沖時間方案、區間緩沖時間方案、晚點嚴重程度等要素的列車晚點恢復規律；根據緩沖時間的利用率，該模型重新分配緩沖時間，為緩沖時間的優化配置提供了新的解決思路。所提出的機器學習模型綜合考慮了運行圖的執行效果指標，如緩沖時間利用率和晚點概率等。Martin[54]提出了運用預測推理和機器學習方法來提高鐵路系統可靠性，認為運用貝葉斯推理進行晚點預測時可以考慮冗余時間的布局，但該研究并沒有闡釋具體方法應用。胡雨欣等[55]以高速列車初始晚點時間、站停冗余時間和區間冗余時間等為變量,使用多層感知器和循環神經網絡建立了高速列車晚點恢復時間預測機器學習模型，預測精度對比發現循環神經網絡的效果要優于多層感知器模型。

在采用機器學習方法研究冗余時間利用問題時，需要使用大量的晚點恢復數據和冗余時間運用數據，而這些數據的獲得又有一定難度，因此，基于機器學習的列車晚點恢復預測研究仍較缺乏。挖掘不同晚點情景下的冗余時間恢復效率、基于冗余時間利用數據建立冗余時間利用與重布局的數據驅動模型將是研究的重點方向。運用機器學習方法建立車站及區間晚點時間恢復模型，探明車站、區間的冗余時間布局方案對于一定晚點的恢復能力具有重要的實際意義，有助于發現不同調度調整策略作用下列車運行晚點恢復及效果，能夠為列車運行調度決策提供決策支持。將列車運行實績與列車調度命令數據結合、結構化數據與半結構化數據融合建模是提高列車晚點恢復決策和實現調度知識自動化要解決的關鍵問題。

2.3 列車運行調整智能化決策研究

對于列車運行調整決策問題的研究主要集中在列車運行沖突消解、列車運行計劃調整、動態網絡調度等方面。國內外既有研究主要集中于運用數學優化模型求解列車運行沖突檢測及消解、運行圖編制優化問題[56,57]，建立以最小晚點影響[58]、最小列車晚點時間[59]、最短列車運行時間[60]等為優化目標的列車運行調整模型，但這些模型必須在計算性能和解決方案質量之間進行權衡。同時，由于列車運行調整決策模型涉及的約束條件多、參數多、優化目標多，使得精準建模和求解極為困難。列車運行調整智能化決策研究的主要內容如表1所示。

表1 列車運行調整智能化決策研究的主要內容

列車運行調度調整過程常被作為馬爾科夫決策過程來處理，通過推導列車的運行狀態變化規律得到可能的調度決策方案[61]。Dündar[62]基于調度人員在10 個工作日內解決的331 個沖突記錄，建立了一個人工神經網絡模型來模擬列車調度員進行沖突消解。Oneto 等[63]以列車晚點和相關代價最小化為目標，研究了列車越行預測的問題，并基于隨機森林方法開發了一個混合預測模型。上述研究基于調度員歷史決策合理的假設，著重于調度員歷史決策方案的再現，沒有考慮到調度決策制定過程中眾多的動態變化因素的影響，因此，其決策方案的優化性能有限。強化學習結合了動態規劃和監督學習的原理，尤其適用于解決列車運行調整問題。?emrov 等[64]提出了一種基于Qlearning 算法的單線鐵路列車運行調整方法，其基本原理為：通過算法與環境交互，獲得并解釋其從環境中獲得增強信號，進而選擇使所獲得的獎勵之和最大化的動作，并以此逐步生成合理的列車運行調整方案，模型的獎勵函數為使列車總晚點最小。Khadilkar[65]將該研究拓展到雙線鐵路上，并以印度鐵路網的兩條線路為例，驗證了該算法在實際中的適用性，結果表明：這種方法可以在與啟發式方法相當的計算時間內處理大型調度問題實例，同時具有更好的實用性與決策質量。模糊神經網絡作為模糊理論和神經網絡的融合，吸取了模糊邏輯和神經網絡的優點，部分避免了兩者的缺點。Sun 等[66]通過對高速鐵路列車運行控制程序的詳細分析，提出了一種基于模糊神經網絡的列車運行調整模型，并通過引入變步長的改進BP(Back Propagation)神經網絡算法，完成了自適應神經網絡模糊推理系統的訓練工作。Agent 方法作為一種解決動態環境中不確定性問題的有力技術，在交通系統領域的應用正在迅速興起。Narayanaswami 等[67]提出了一種結合Agent 和無監督學習方法的動態調度模型，通過引入一個基于實時系統參數的動態調度計算框架對模型進行改進，并將其與混合整數線性規劃方法進行比較。實驗結果表明：Agent 算法在求解復雜鐵路網絡調度問題時，其計算時間較精確的模型有很大的減少，體現出其在解決大規模復雜的調度問題方面的潛力。D-Agent 方法被用來研究沖突消解并支持調度員基于多源信息及異構數據進行列車沖突檢測，支持列車運行調度決策[68,69]。

瑞士鐵路運營公司在既有調度指揮系統的基礎上，自主研發了瑞士鐵路調度指揮控制系統（Railway Control System，RCS），與既有調度指揮系統形成功能上的兼容互補，是目前最先進的列車運行與調度管理系統[70]。RCS 系統根據歷史運行數據、當前列車運行狀態、列車運行可能的運行情景等對列車運行進行精確預測，并生成無運行沖突的調度決策，該系統為瑞士提高路網利用效率和運輸服務質量做出了重要貢獻。這也讓世界看到了基于鐵路實時和歷史數據，運用機器學習實現調度決策知識自動化、支持調度決策及列車運行的應用前景。

從上述研究分析可以看出，機器學習方法為鐵路列車運行調整智能化決策提供了有效的解決渠道，已經成為鐵路智能化調度決策研究的主要方法，將先進的機器學習方法應用于調度策略效果評估、調度決策知識自動化仍然是研究的主要難點和關鍵，但目前利用機器學習算法實現調度策略的優選、智能化調度策略生成等的研究仍比較缺乏，構建列車調度調整的自動化知識庫，建立列車調度調整策略的推薦系統，為調度員實時列車調度提供決策支持是亟待解決的問題。

3 既有研究的特征及研究動向

3.1 既有研究的特征

綜上所述，機器學習方法已經廣泛應用于鐵路調度指揮領域，在晚點分析、預測分析、智能調度模型構建等方面取得了較為豐碩的研究成果（見表2）。

表2 近十年機器學習方法在鐵路列車運行調整領域研究文獻匯總

續表2

研究側重點和相關文獻的發表趨勢如圖4、圖5所示。

圖4 相關研究關鍵詞云

圖5 既有研究特征分析

通過對上述研究的回顧，可知機器學習應用于鐵路列車調度調整問題的既有研究呈現以下特征及存在的問題：

（1）機器學習方法應用于鐵路調度調整問題基于的數據以列車運行計劃運行圖、實際運行圖為主，氣象數據、到發線運用數據、設備故障數據等作為補充數據在部分研究中得以應用并有效提高了模型精度。在既有研究中，相關數據不全面是主要的因素之一，比如有列車運行數據而沒有設備運用數據、有客流數據而沒有氣象數據等，所建立的模型存在較大的缺陷。

（2）從圖5(a)可以看出，機器學習方法在鐵路列車調度調整問題的研究呈現較為明顯的增長趨勢，尤其伴隨大數據技術和深度學習方法的快速發展，深度學習應用于列車運行晚點智能預測與列車運行調整決策方面的成果已經逐步顯現，可以預期將有較為豐富的研究成果產出。

（3）從圖4 和圖5(b)可以看出，高速鐵路調度指揮是研究的重點領域、晚點預測是當前的研究熱點問題，傳統機器學習、人工神經網絡、大數據分析以及統計分析等方法已經在既有研究中得到了廣泛的應用。

（4）在列車晚點分析方面，機器學習方法（如關聯、聚類等）表現出較大的潛力[71]，可以用于挖掘大數據中隱含的列車晚點機理，但當前該領域的研究仍是以傳統統計分析為主導，處理的數據也較為有限，運用深度學習方法挖掘更大規模和高維度列車運行相關復合數據的工作還有待加強。

（5）列車晚點致因及持續時長預測受到鐵路系統內外部諸多因素的影響，需要針對不同的故障類型收集故障報告、天氣情況、相關調度命令等信息。受限于數據獲取及處理的難度，且目前設備故障數據、天氣數據等與列車運行數據的粒度和采集間隔相差較大，增加了建模的難度，降低了模型的精度。

（6）現有運用數學優化方法和一般機器學習方法研究列車晚點狀態演化及時間的預測問題已經很充分，運用深度學習分析列車之間的相互作用關系并建立列車晚點精確預測模型，是列車晚點智能化預測領域新的研究趨勢。相關模型與算法在晚點預測方面雖然已經體現了較好的性能，但列車分類型晚點傳播預測的研究還明顯偏少，相應的標志性成果還有待深化，預測不同程度晚點情況下的發展態勢從而輔助調度員的調度策略制定研究是當前研究的短板。

（7）在列車運行調整智能化決策方面，國內外學者已經提出了多種結合機器學習方法的模型解決調度優化問題，但相關研究仍較為缺乏，將更多既有的高性能預測模型應用于輔助決策系統構建是下一步需要重點研究的內容。既有研究的重點多是放在模型構建和模擬驗證上，還未有研究成果在實際應用中部署和實施，如何將機器學習模型應用于智能化調度指揮是亟待解決的難題。

3.2 研究動向

“數據+算力+算法”引領的智能制造，帶來了工具革命，也帶來了以智能化提高決策科學性、精準化為標志的決策革命。通過人工智能等手段優化決策的準確性、及時性、科學性已成為重要創新途徑[72]。通過鐵路智能化提高鐵路運輸組織效率、保障鐵路運輸安全已成為各國鐵路發展的必由之路[73]。法國、德國、美國、加拿大、日本、韓國等國家鐵路相繼提出了數字化與智能化發展的戰略規劃。實現列車運行態勢智能感知和沖突自動消解，支撐調度智能化是世界智能鐵路發展的迫切需求。阿里研究院發布的《2020 年十大科技趨勢》中第一個趨勢是“人工智能從感知智能向認知智能演進”[74]。鐵路運輸系統“智能+”決策革命是鐵路智能化發展的必然趨勢，結合鐵路行車組織理論、經驗和既有技術，基于鐵路多源數據，以數據科學、人工智能為主要手段的智能調度集中系統，是實現鐵路行車組織理論和技術革新的有效途徑。

鐵路運輸系統尤其是列車運行過程是一個隨機+可控的系統，從列車運行實績及相關數據中探索并發現隨機干擾事件的發生概率、相關調度調整策略可能的效果是鐵路調度調整決策的關鍵問題。而機器學習方法尤其是以深度學習為代表的高級機器學術方法在挖掘大規模數據并發現其規律方面具有顯著優勢，其在鐵路列車運行調整領域還有大量工作要開展，如：

（1）引入多源異構數據構建機器學習模型。當前大部分既有機器學習模型都是基于列車運行所產生的結構化數據(如車站的到達和出發時間)構建的。近年來隨著鐵路信息化建設的不斷發展，與列車運行相關的大量數據也得到了有效的記錄和保存，其中包含了諸多不同來源的結構化與非結構化數據。利用先進的數據分析方法，完成各種類型數據的清洗與加工，基于多源異構數據構建不同預測目標的機器學習模型是未來研究的重點。以列車運行圖數據為基本數據，考慮列車運行所涉及的氣象、信聯閉設備、到發線運用、車底運用等數據，將能夠挖掘更豐富的列車運行規律，建立的列車運行調度調整模型將更能貼近列車運行實際，更好地指導調度指揮決策。

（2）列車晚點程度量化和分級能夠為調度員掌握全局運輸態勢提供依據。研究列車晚點分級模型，確定列車晚點程度并實現不同程度晚點的預測將能夠提升鐵路調度調整的精細化水平。

（3）列車運行晚點預測依然是研究的熱點和難點。高效準確的預測是機器學習模型應用于調度生產實際的關鍵所在，雖然當前Boosting、Bagging 和Stacking 等典型集成學習技術已經得到了較為廣泛的應用，但不斷改進算法、提升模型的計算能力和精度仍是一個重要的研究方向。列車運行晚點分類預測對于提升調度決策水平具有重要意義，分別建立初始晚點、連帶晚點的預測模型，能夠輔助調度員根據一定的初始晚點制定合理的調度策略以盡可能控制連帶晚點及其影響程度和影響范圍。列車運行晚點的實時預測是一個對模型抽象能力和求解速度要求很高的問題，需要不斷尋求能夠盡可能貼近運輸生產實際的高效模型和算法。

（4）列車運行調度調整自動化是重要的發展趨勢。基于列車運行數據，建立列車運行調度調整的數據驅動模型，挖掘列車運行調度調整的模式及自動化知識，根據歷史、當前及未來可能的運輸態勢實現列車運行調度策略的自動優選，將能夠輔助調度員的調度調整決策，提高列車運行調度調整的決策質量并逐步實現調度調整的自動化。

（5）建立基于機器學習的鐵路調度調整智能化系統。以列車運行相關歷史數據和實時數據為基礎，以基于機器學習的列車調度調整系列模型為底層模型，實現鐵路列車晚點可視化、晚點預測、晚點恢復、調度策略智能化優選等。基于機器學習的鐵路調度調整智能化系統將是我國鐵路智能調度的重要保障。

（6）探索高級機器學習方法的更多應用。當前機器學習方法在列車運行調整智能化決策方面的應用還較為有限，并且還有很多先進的機器學習算法尚未使用或應用不足，需要針對調度指揮工作實際需要，基于不同機器學習算法特性開發更多的模型與方法，并嘗試將其與既有鐵路調度系統相結合，盡可能貼近列車運行實際過程，考慮盡可能多的因素，以提升鐵路調度指揮決策與控制自動化水平，降低相關作業人員負荷，提高鐵路運輸效率和服務質量。

4 結束語

從大規模復雜路網建設過渡到精細化管理的網絡化運營已是我國鐵路運營的重要特征，實現海量數據可挖掘、設備狀態可診斷、行車安全可預警、復雜路網運營變化可感知、發展趨勢可推斷、輔助決策可支撐，提升鐵路的智能決策水平，提高決策效度是智能鐵路亟待解決的關鍵科學問題。鐵路運輸系統海量數據信源多樣，列車運行過程中產生的大量列車運行實際數據尚未被充分挖掘和運用，鐵路列車運行調整仍然是以個人經驗為基礎的人工決策為主。如何基于海量多源數據，運用數據科學和人工智能提升鐵路調度指揮決策的效度，提升決策水平、降低作業人員工作負荷是鐵路智能調度決策面臨的巨大挑戰。

本文全面回顧了近10年機器學習方法在鐵路列車運行調整領域應用的主要研究成果，將列車運行調整問題分為列車晚點狀態分析與評估、列車晚點傳播預測和列車運行調整智能化決策三個方面，分別總結和分析了機器學習方法在上述三方面問題的應用情況。總結了既有研究的特征，并在此基礎上展望了機器學習方法在鐵路列車運行調整研究方面的最新動向。

機器學習方法能夠克服傳統數學模型難以應用于生產實踐的問題，在當前國家大數據戰略的驅動下，基于機器學習的調度指揮自動化系統必將為鐵路行車指揮決策提供有效支撐。近10年來機器學習方法在鐵路列車運行調整方面的研究呈現較為明顯的增長趨勢，深度學習應用于列車運行晚點智能預測與列車運行調整決策方面的成果已經逐步顯現。高級機器學習和深度學習的列車運行調整智能決策理論以及列車運行調整知識自動化等智能化理論將是未來的發展重點。