面向突发事件的轨道交通备车运用与运行图协同优化方法研究

Focusing on the backup train allocation with rescheduling optimization under disruptions, this project will formally address this problem by analyzing the in-depth properties of disruptions in urban rail systems and make a breakthrough for this problem based on the basic theories of system science and operations research, for example stochastic programming and solution methodologies for large-scale integer programming. Specifically, this project will i) design a quantitative method to characterize the uncertain features of disruptions based on the real-world data of Beijing Metro; ii) propose a two-stage stochastic programming model for the integrated backup train allocation and timetable rescheduling problem in order to evacuate the delayed passengers as fast as possible; iii) propose a hybrid method combined with Benders decomposition and column generation to solve the model more efficiently; iv) develop a VC++ based package for practical applications. . This project will make potential impacts for extending the research directions in the field of metro train rescheduling and enrich the methodologies for solving two-stage stochastic programming models. More importantly, this project could improve the service quality for urban rail transit systems under disruptions and provide theoretical and technical backbones for the safety and high-efficiency of rail traffic management system in China.

聚焦于城市轨道交通突发事件下的备车运用与运行图协同优化问题，本项目将在深入分析城市轨道交通突发故障特点的基础上，采用随机规划建模方法、大规模整数规划求解方法等系统科学与运筹学基础理论，以城市轨道交通备车运用与运行图协同优化方法为突破口，基于北京地铁实际故障数据提出定量的方法刻画地铁突发故障的随机特征，建立基于两阶段随机规划的备车运用计划和运行图调整协同优化模型，结合Benders分解与分支定价设计有效的模型快速求解算法，并开发VC++软件包用于指导轨道交通运营实践。. 本项目成果将拓展现有列车运行调整相关的研究领域，丰富两阶段随机整数规划模型的快速求解方法。同时，研究成果将为改善城市轨道交通系统的应急服务质量，实现轨道交通系统安全、高效的运营提供理论支撑和技术保障。

我国城市轨道交通近年来快速发展，日常高负荷运营中频繁发生的突发事故对乘客出行带来了严重影响。面向突发事件运营管控的备车选址与运行图协同优化问题，本项目从突发事件数据整理、运营组织管理优化和突发事件恢复决策三个层面，对网络化运营条件下的轨道交通突发事件处理与资源优化配置问题进行了深入的调研和探索。项目执行期内，收集了北京地铁2010-2018年所有突发事件的故障数据并进行标准化整理，利用机器学习等理论方法，探明了城市轨道交通成网条件下突发故障的数据特征及其对运营网络的影响，提出了基于历史故障和客流数据的备车选址优化方法，并基于L-shaped分解设计了突发事件下的车辆资源与运行图协同优化模型与算法。以上成果在UTD 24期刊JOC以及领域权威期刊EJOR、IEEE ITS等发表期刊论文9篇，其中1篇论文入选ESI高被引论文。项目重要结果如下：.（1）基于北京地铁客流数据进行了仿真验证，结果表明通过各线路的发车间隔和到发时分协调优化，可降低早高峰时间段关键换乘车站（如西二旗）拥挤度约8%-13%，提高换乘质量约14%，减少乘客等待时间约1.5%。.（2）通过线性化技术转化初始数学模型，针对模型特性设计了高效的自适应大规模领域搜索求解算法，结果显示该方法可在短时间内得到实际规模问题的高质量求解。针对所构建的两阶段优化模型提出了改进的L-shaped算法，该算法可以推广到其他两阶段整数随机规划问题，扩充了两阶段问题求解方法。.（3）以北京地铁八通线的实际运营数据进行了仿真实验，结果显示，通过在关键车站引入1-2辆备用列车、同时合理调整列车运行图，可以大幅降低突发事件下滞留乘客的旅行时间，从而提升城市轨道交通系统服务质量。该成果支持下，北京地铁八通线自2020年疫情开始，在果园和管庄两个车站开始常态化安置备车，以降低突发事件对于乘客的负面影响。

内容获取失败，请点击重试