Tren Yeniden Planlaması için Grafik Sinir Ağları ve Optimizasyon

Tren istasyonlarında kaynaklar (raylar, platformlar) beklenmedik şekilde kapandığında, hangi trenlerin hangi yollara gideceğini ve ne zaman hareket edeceğini belirlemek karmaşık bir problem. Araştırıcılar bunu çözmek için grafik sinir ağları (GNN) ile mantık tabanlı bir optimizasyon yöntemi birleştirdiler.

Geliştirilen GNN-LBBD algoritması, kaynakların ne kadar süre kapalı kalacağını tahmin etmek için makine öğrenmesi kullanıyor. Aynı zamanda tren rotalarını, sırasını ve zamanlamasını optimize ediyor. En kötü senaryodaki gecikmeyi en aza indirmek için çalışıyor, bu da sistem belirsizlik altında bile güvenilir kalıyor.

Beş raylu bir istasyonda test edilen algoritma, ortalama 61.13 tren-dakika gecikme sağladı. Bu, karşılaştırılan diğer yöntemlerden %16.63 daha iyi bir sonuç. Grafik sinir ağları, problemi çözmek için hangi kaynakların önce işlenmesi gerektiğini akıllıca belirleyerek Benders ayrıştırma algoritmasını hızlandırıyor.

Bu tür çözümler, şehir içi ve ülkeler arası tren ağlarında operasyonel verimliliği artırmaya yardımcı olabilir. Özellikle hava durumu, teknik arızalar veya acil durumlarda tren işletmecileri daha hızlı ve daha iyi kararlar alabilir.