20.500.12556/RUL-80647
Časovno načrtovanje železniškega prometa z uporabo metode spodbujevanega učenja
doktorska disertacija
Railway traffic scheduling with use of reinforcement learning
doctoral thesis
Zanesljivost železniškega prometa najpogosteje povezujemo s točnostjo vlakov, torej
primerjamo odstopanje dejanskih prihodov/odhodov vlakov s prihodi/odhodi, objavljenimi v
voznem redu. Manjšo zamudo vlaka omilimo ali celo izničimo s časovnimi dodatki v voznem
redu, večja zamuda pa povzroči tako imenovane sekundarne zamude ostalih vlakov na
omrežju. Odseki prog, na katerih je visoka izkoriščenost kapacitete, so še posebej podvrženi
nastanku zamud, saj večje število vlakov pomeni večje število možnih konfliktov in višjo
stopnjo interakcije med vlaki, posledično pa je težje omejiti sekundarne zamude. Osebji
upravljavca in prevoznika sta zadolženi, da železniški promet poteka varno, nemoteno in v
skladu z voznim redom. Pa vendar lahko zaradi nepredvidenih dogodkov nastanejo zamude;
v tem primeru je treba vlakom določiti nove čase prihodov in odhodov. Časovno načrtovanje
voženj vlakov je kompleksen optimizacijski problem, ki ga dispečerji trenutno rešujejo na
osnovi izkušenj, vendar z večanjem števila vlakov kompleksnost problema narašča, zato
dispečerji vedno bolj potrebujejo sistem za pomoč pri odločanju, ki bi predlagal optimalno
vodenje vlakov glede na zadani cilj, npr. minimalne zamude vseh vlakov. Časovno
načrtovanje voženj vlakov sodi v skupino NP-polnih problemov, kjer odpovedo klasične
matematično-računalniške metode optimiranja, nakazuje pa se uporabnost pristopov umetne
inteligence. V okviru doktorske disertacije smo razvili algoritem časovnega načrtovanja
voženj vlakov, ki temelji na metodi spodbujevanega učenja, natančneje učenja Q. Agent, ki
se uči iz nagrad in kazni, ki jih pridobi iz okolja, išče optimalno strategijo vodenja vlakov
glede na izbrano kriterijsko funkcijo.
The reliability of railway traffic is commonly evaluated with train punctuality, where the
deviations of actual train arrivals/departures and train arrivals/departures published in the
timetable are compared. Minor train delays can be mitigated or even eliminated with running
time supplements, while major delays can lead to so-called secondary delays of other trains
on the network. Railway lines with high capacity utilization are more likely subject to delays,
since a greater number of trains means a larger number of potential conflicts and more
interactions between trains. Consequently, the secondary delays are harder to limit. Railway
manager and carrier personnel are responsible for safe, undisturbed and punctual railway
traffic. But unforeseen events can lead to delays, which calls for train rescheduling, where
new train arrivals and departures are calculated. Train rescheduling is a complex
optimization problem, currently solved based on dispatcher’s expert knowledge. With the
increasing number of trains the complexity of the problem grows, the need for a decision
support system increases. Train rescheduling is considered an NP-complete problem, where
conventional mathematical and computer optimization methods fail to find the optimal
solution, but artificial intelligence approaches have some measure of success. In this
dissertation an algorithm for train rescheduling based on reinforcement learning, more
precisely Q-learning, was developed. The Q-learning agent learns from rewards and
punishments received from the environment, and looks for the optimal train dispatching
strategy depending on the objective function.
grajeno okolje
gradbeništvo
disertacije
vozni red
časovno replaniranje vlakov
učenje Q
building environment
civil engineering
thesis
timetable
train rescheduling
Q learning
true
false
false
[D. Šemrov]
Slovenski jezik
Angleški jezik
Doktorsko delo/naloga
2016-03-01 02:20:13
2016-03-01 13:00:43
2022-12-16 13:01:29
0000-00-00 00:00:00
2016
0
Ljubljana
2016
Ljubljana
1 optični disk (CD-ROM)
0000-00-00
NiDoloceno
NiDoloceno
NiDoloceno
0000-00-00
0000-00-00
0000-00-00
7395425
BGO032_Semrov.pdf
BGO032_Semrov.pdf
1
A6C0B1208D345352F2A3A7ED0AC9971D
4ca9e8a911ef7c1559a72001c03de3a4bcb5c5cbce090d6ea9801345ba413f52
407b997a-a1ae-11eb-a523-00155dcfd717
20.500.12556/rul/b29a98c0-8e8f-47ee-84c9-7ee00f6532a3
https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=86367
Fakulteta za gradbeništvo in geodezijo
0
0
0