Hoppa till huvudinnehåll

Självlärande neurala nätverk för operativ lokstyrning – SOL förstudie

För att åstadkomma en överflyttning av inlandstransporter från väg till det mer energieffektiva transportslaget järnväg krävs att järnvägstransporter blir mer konkurrenskraftiga. 

Två komponenter som påverkar järnvägens attraktivitet är pålitlighet och pris. Båda dessa komponenter påverkas i sin tur bl.a. av hur pass bra godstågsoperatörerna är på att allokera och styra sina resurser, dvs. hur pass bra man planerar – och vid störningar omplanerar – hur lok, förare och vagnar ska användas. Den operativa omplaneringen ska dels minska kundkonsekvenser, dels rädda morgondagen, dvs. se till att man kommer tillbaka till planerat läge.

Illustration av en hjärna och ett tåg som åker på en järnväg.

En god omplanering kan innebära minskade kostnader då man klarar sig med färre stand-by lok och förare, och mer pålitliga transporter genom att förseningar inte sprider sig okontrollerat mellan tåg.

Den föreslagna förstudien ska visa på möjligheter och bedöma förutsättningar för att använda datadrivna AI- metoder (machine learning, ML) som beslutstöd för operativ omplanering hos en godstågsoperatör (i SOL projektet är denna operatör Green Cargo). Syftet med dessa datadrivna metoder är flerfalt, och rymmer både att optimera och effektivisera resursplaneringen, samt att få ett gemensamt faktabaserat verktygsstöd för utbildning och fortbildning för operativ driftledningspersonal.

Projektpartners
RISE, Green Cargo

Förstudie
2022.4.2.2

 

Kontakt

Zohreh_RISE_cropped
Zohreh Ranjbar
zohreh.ranjbar@ri.se

Läs mer om huvudstudien

Illustration av en glödlampa med en hjärna inuti, som visar neurala trådar. Även en sol och ett moln syns bakom glödlampan.

Självlärande neurala nätverk för operativ lokstyrning – SOL huvudstudie

Projektet bygger vidare på en förstudie som utforskade självlärande algoritmer med djupa neurala nätverk (DRL) för operativ lokstyrning. I denna huvudstudie görs en mer omfattande utforskning där...