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 projekt deltagarna bland annat utforskar hur AI-baserat beslutstöd kan påverka kostnadsminskning och ökad pålitlighet genom effektivare resurshantering och bättre anpassningsförmåga till störningar.
Efter en framgångsrik förstudie i samarbete mellan RISE och Green Cargo som utforskade självlärande algoritmer med djupa neurala nätverk (DRL) för operativ lokstyrning är vi redo att ta detta initiativ till nästa nivå genom en mer omfattande huvudstudie.
Lok är en central resurs för ett järnvägsgodsbolag och effektiv och flexibel styrning av dem är essentiell. Lokstyrning ingår i godsoperatörens operativa styrning tillsammans med styrning av lokförare och vagnar. Det finns även aspekter som ligger utanför godsoperatörens ansvarsområde men som spelar stor roll i den operativa verksamheten: Trafikverket leder trafiken på spåren och transporttider beror även på den övriga trafiken. Lokstyrning har många likheter med personalstyrning och vagnsstyrning (som att alla resurserna är beroende av trafiken), och en DRL-agent som kan stötta lokstyrningen bör kunna ligga till grund för liknande metoder också för de andra resursslagen.
I lösningen från förstudien modelleras lokomloppsplaner som en graf där agenten tilldelar kostnader till grafens kanter. Kostnaderna används för att generera den mest kostnadseffektiva planen, vilken testas i en trafiksimulering. Agenten får feedback på hur pass bra vikterna var genom en belöningsfunktion som beaktar tillsynsgränser för lok, inställda tåg, förseningsminuter, bufferttider och hur pass mycket planen ändrats.
Syftet med detta projekt är att vidareutveckla och implementera en DRL-agent för effektivare lokomloppsplanering, särskilt under störningar. Genom att använda avancerade AI-metoder, strävar vi efter att optimera tågtrafikens effektivitet och punktlighet. Målen inkluderar:
- Framgångsrik insamling och förberedelse av relevant datamängd för AI-modellträning.
- Utveckling och träning av DRL-agenten med en större datamängd.
- Testa och verifiera modellens tillförlitlighet och effektivitet.
- Tillsammans med tilltänkta användare utreda hur en funktionell och användarvänlig interaktion mellan mänskliga planerare och DRL-agenten ska vara utformad.
Målen med ett AI-baserat beslutstöd inkluderar kostnadsminskning och ökad pålitlighet genom effektivare resurshantering och bättre anpassningsförmåga till störningar. Projektet bidrar till Triple F:s mål genom att förbättra järnvägens flexibilitet, effektivitet och tillförlitlighet och underlättar därigenom överflyttning av transporter till den utsläppseffektiva järnvägen. Det stöder övergången till fossilfria alternativ och minskar CO2-utsläpp genom att öka järnvägens konkurrenskraft för godstransporter.
Projektparter
RISE – Research Institutes of Sweden (koordinerande), Green Cargo och SSAB.
FOI-projekt
2023.6.2.4
Kontakt
Läs mer om förstudien till projektet
