高铁列车运行图智能编制技术方案研究

列车运行图是铁路运输组织的核心计划，是面向客货运市场动态需求，为固定设施、移动装备等运输资源在给定时空范围内的运用方案，其编制效率和质量决定了铁路对市场需求响应的时效性，以及铁路运力资源配置的经济性和合理性，直接影响企业运营效率和效益。我国高铁路网规模大、线路衔接复杂、枢纽数量多，列车开行距离长、跨线占比高、不同速度等级共线、区段密度高、停站组合多，加之客货运需求呈现区域性集中、季节性波动的特征，在超大规模的路网、超复杂的列车开行结构、超大体量的运输需求相互耦合下，形成了铁路运输巨系统。在此系统下，传统人工为主的编图方式，受到人的精力和脑力的影响与限制，已无法满足大规模路网条件下运行图编制质量和效率进一步提升的要求，势必需要开展列车运行图智能编制技术的研究和应用。

列车运行图编制不仅要考虑安全、能力、效率、服务等博弈性指标，而且在决策列车到发时刻、车站股道、车底交路等高耦合要素的同时，还必须统筹提升编图效率和编图质量，其科学问题本质是超大规模复杂系统全要素建模下的多目标、多约束、强耦合的大规模组合优化问题，问题规模随着路网规模的增长呈现指数级爆炸，是数学、管理学领域的世界级难题。从优化模型设计、实用化的算法设计等方面看，均是重大的科学挑战，由于其重要性、科学性以及复杂性，吸引了大量国内外学者的研究，主要应用运筹学理论和人工智能理论。

在运筹学理论应用方面，国内外既有研究中关于列车运行图智能编制的相关论文超过300篇，其中三分之二的研究关注列车运行线或车站股道运用计划等运行图单一要素编制问题，其余则聚焦于运行图多要素协同编制问题。研究的主要方法有精确方法、启发式方法、精确方法融合启发式方法、精确方法融合下界算法、启发式方法融合下界算法等多种形式。但既有方法均对编图问题进行了不同程度的简化，验证方法可行性的案例在规模、输入、约束、目标等方面与我国现场实际编图场景存在较大差距，且不同方法测试案例的边界均不同，也无法进行定量对比。在人工智能理论方面，因人工智能技术发展较晚，2016年才逐步将人工智能应用于列车运行图编制和调度优化问题中。文献中使用强化学习方法解决延误发生后的列车重调度问题；文献使用单智能体强化学习方法学习列车运行图冲突疏解策略；有些文献引入多智能体强化学习方法解决列车运行图编制问题。

综上所述，列车运行图智能编制技术的研究尚未形成适用于我国大规模高铁路网和繁忙场景下，兼顾编制效率与质量的理论及方法。因此，探索高铁列车运行图智能编制技术方案，推动大规模路网列车运行图高质、高效编制，具有重要现实意义。

针对列车运行图编制本质和实践应用需求，列车运行图智能编制内涵是以客货运需求为输入，利用固定设施和移动设备等运输资源，根据不同编图场景下的多元化目标与约束，能够科学合理、高质高效地编制列车运行图，实现大规模复杂路网整体效能效益的最大化，为实现市场图、效益图提供必要技术支撑。

我国超大路网规模以及要素间多约束、高耦合的关联特性，决定了列车运行图智能编制技术的研究和应用需结合路网规模逐步推进。借鉴GB/T40429—2021《汽车驾驶自动化分级》，从路网规模、编制主体、编制效果等方面，设计了L0—L4的5个智能化编图级别（见表1）。

表1　列车运行图智能化编制级别

L0级别是传统的人工编制方式，编制效率低，且运行图编制质量受制于编图工程师的经验；L1级别为基础智能辅助，适用于单个车站股道运用方案或单条线路运行线编制等场景，通过人机交互，编图工程师对生成结果进行判定和修改，能够利用计算机解决部分编图环节；L2级别为智能辅助，适用于单一线路中列车运行线和车站股道方案的协同编制场景，计算机以单一优化目标为导向，生成多版列车运行图方案，供编图工程师决策选择，编制质量与编图人员的平均水平持平；L3级别为智能自主，适用于区域路网条件下的列车运行线和车站股道方案协同编制场景，计算机自主根据多个优化目标，生成不同目标博弈条件下的多版列车运行图方案，供编图工程师决策选择，编制质量与高水平编图人员持平；L4级别为智能自适应，适用于大规模路网条件下的交路方案、列车运行线和车站股道方案等运行图全要素协同编制场景，计算机自主根据多个优化目标导向，生成不同目标博弈条件下的多版列车运行图方案，并自主推荐建议方案，编制质量将高于人工编制水平。随着智能技术路网规模的不断适应，编制效率也将逐级提升。

L1级别主要面向单要素场景，解决编图过程中单个计划编制环节的编图效率问题，该部分主要面向的要素是车站到发线运用和繁忙高铁干线的运行线编制。

2. 1　大型高铁枢纽车站综合作业计划智能编制

大型高铁枢纽车站通常站场规模大、接入方向多、咽喉区平行进路多，复杂的站场结构叠加庞大的接发车作业数量，到发线运用和咽喉交叉疏解给编图技术人员带来较大工作量。车站作业计划的编制、调整和优化问题的核心是根据列车时刻表为每列车的各项作业在规定作业时间合理分配相应的车站“资源”，确保作业无冲突，且资源运用均衡。其技术方案是以列车运行线所确定的到发时刻和动车组交路接续关系为输入，以到发线分工、换乘需求、咽喉布置形式、作业需求为约束，构建标准的数学规划模型，利用智能计算求解器对模型进行求解。以济南西站为例，17条到发线规模，以列车到发时刻和动车组交路方案为输入，编制457对列车的车站股道运用计划（见图1），耗时分钟级。

图1　济南西高铁车站股道运用计划案例

2. 2　繁忙高铁干线列车运行线智能编制

高速铁路列车运行线编制，特别是繁忙干线，因需兼顾能力、停站、旅时、交路等多重要素，其本质是一类多约束、多目标的复杂组合优化问题。其技术方案考虑列车在始发终到站的车底交路接续关系、列车始发时间范围、列车区间运行时间、列车停站时间、列车停站次数、车站停靠次数、车站安全间隔时间、列车越行规则和天窗时间等约束和目标，大都以能力紧张的线路作为研究场景，以编图参数和列车开行方案为输入，通过构建基于时空网络的整数规划模型，建立列车运行径路备选集生成、可行径路搜索和循环迭代更新等优化机制与算法，编制无冲突且满足需求的运行线。以京沪高铁为案例，编制323对列车的运行图（见图2），耗时小时级。

图2　京沪高铁列车运行线编制案例

L2级别主要是面向多要素场景，解决编图过程中多个要素，即动车组交路、车站到发线运用和列车运行线编制等计划编制环节的协同优化问题。该技术方案在集成L1级别技术的基础上，重点需构建编图要素间的协调反馈机制，即在满足各子问题编制约束的基础上，兼顾各个子问题中到发线运用、到发时刻、停站方案等要素的耦合关系。针对动车组交路、列车运行线与车站股道运用方案的传统阶段式双向迭代方式计算效率较低问题，创新提出渐进式交互机制与方法（见图3），以车站理论能力运用为前提基准，确定动车组交路轮廓方案，进而形成列车接发时刻轮廓方案，根据列车始发终到时间域和运行区段，确定动车组交路接续关系，形成股道运用轮廓方案，在此基础上形成运行线编制与股道运用间的协同优化，使要素间双向反馈转变为单向反馈为主的反馈机制，加快运行图多要素的协调效率。

图3　不同运行图多要素协调方式

以京张高铁为主干的路网为例，以列车开行方案和动车组交路方案为输入，通过基于决策细分的渐进式交互机制，编制296条列车的运行线及枢纽车站股道运用方案（见图4），耗时小时级。

图4　京张高铁路网列车运行线与股道协调编制案例

面向L3、L4级别时，随着路网规模的不断扩大，基于L1、L2级别以运筹学为主的计算方法，其计算时间主要耗费在确定运行线的前后顺序和停站组合方面，计算时效上已无法满足编图需求，所以借鉴人工智能技术应用案例，利用预训练、预学习的方式，首先形成较优的运行线顺序和停站组合方案，再运用运筹学的方法进行优化和调整。但截至目前，“人工智能+运筹学”的融合方式尚未明确，相关理论和路线仍需探索。可以先对基于人工智能的编图技术开展研究，待技术成熟后，再与运筹学方法开展融合，实现列车运行图编制效率和质量的全面提升。

4. 1　基于人工智能的智能编图技术架构

基于人工智能的高铁列车运行图智能编制总体技术架构采用分层设计，包括数据处理层、问题建模思路层、特征构建层、人工智能方法选择层、迁移学习层和算力资源层。各层之间通过数据流和控制流紧密连接，形成完整的智能编图技术架构（见图5）。

图5　基于人工智能的智能编图技术架构

4. 2　数据处理

在列车运行图智能编制技术框架中，数据处理是实现从原始数据到可用信息转换的必要环节，涵盖基础数据与运营数据的系统性整合、结构化处理等步骤。

（1）基础数据作为支撑列车运行的物理与技术约束条件，包括固定设备信息、移动设备信息、运行管理信息及人力信息4类。固定设备信息涉及区间数据、车站数据、线路数据等；移动设备信息包括动车组车底数、编组数据、车型数据等；运行管理信息包含天窗维修时段、列车间隔标准、车站作业要求等运行约束数据； 人力信息包括司乘数据、人员成本、排班约束数据等。 

（2）运营数据则聚焦于列车运行的动态组织与实际反馈，主要包括开行方案数据、列车运行数据、客票服务数据及市场化数据。开行方案数据涵盖列车车次、列车开行频率、跨线规则等；列车运行数据包括列车停站安排、交路计划、股道选择等数据；客票服务数据包含客流需求预测结果、席位分配方案、客票销售记录等；市场化数据包括列车开行成本、列车收益、基础设施使用成本等。

目前各类原始数据既可通过各部门数据库存放，也可以技术文档、自然语言文本、工程图纸等形式管理。针对编图数据多源、异构的特征，原始技术文档等非结构化数据需通过技术处理实现规范整合，并与结构化数据进行关联映射。通过数据清洗、标准化和数字化，形成统一的结构化数据格式，为后续模型构建提供支持。

4. 3　问题建模思路

列车运行图编制问题建模是智能编图技术的核心环节，是面向人工智能的针对性问题表征，决定了人工智能算法的输入形式与决策对象，是人工智能技术选型与算法优化的基础。

针对人工智能的理论优势与技术特点，结合编图问题特征，提出6种列车运行图编制问题建模思路：面向直观编图过程的建模思路、面向列车微观运行过程的建模思路、面向编图问题业务数学模型的建模思路、面向抽象建模的图论转换思路、分层决策的建模思路、图像化生成建模思路。

（1）面向直观编图过程的建模思路以模仿人类编图专家的决策逻辑为核心，将编图过程转化为序列决策过程，输入线路拓扑、列车属性、编图约束等内容，决策列车到发时刻、股道运用、车底交路计划等要素，实现冲突疏解与运行图优化； 

（2）面向列车微观运行过程的建模思路以闭塞分区为最小决策单元，通过闭塞分区级的控制动作统一管理所有列车在所有时间节点的运行状态，实现列车运行图的微观决策优化；

（3）面向编图问题业务数学模型的建模思路将列车运行图编制问题构建为数学规划中的整数规划模型或混合整数规划模型，从数学模型中的目标函数、约束条件等信息提取特征，使用人工智能方法学习如何进行数学规划模型求解；

（4）面向抽象建模的图论问题转换思路将列车运行图编制问题进行高度抽象，构建非欧式空间图，利用图论理论与方法进行问题描述与表征，以便使用人工智能技术学习如何进行图论问题的节点选择，从而实现智能编图决策；

（5）分层决策的建模思路将列车运行图的编制过程分解为多个步骤，每次生成的只是单层局部编图辅助决策，通过多层级逐步构建和调整列车运行图来实现最终编制目标；

（6）图像化生成建模思路使用二维图像描述运行图中所有列车的运行时空轨迹，利用图像化的直观表示，将列车运行图编制问题转化为图像生成问题，借助人工智能在图像处理领域的强大能力，为列车运行图编制提供一种新颖方法。

4. 4　特征构建

在基于人工智能的高铁列车运行图智能编制技术中，特征构建是训练和优化的关键环节，旨在提取能够有效表征问题本质的特征，为人工智能算法提供高质量的输入。列车运行图编制问题的特征构建需围绕不同建模思路的核心要素展开，通过多维度数据表征实现智能决策支持。

面向直观编图过程的模型特征体系可包含编图技术参数、列车特征和冲突信息等核心要素；微观运行过程建模以闭塞分区为基本单元，其特征构建聚焦于以闭塞分区为空间粒度的列车行为表征，特征体系可包括列车位置信息、列车关系特征和信号状态特征；业务数学模型的特征核心在于将数学规划公式要素转化为人工智能算法所需的数值表达，充分提取目标函数特征、变量特征及约束特征；图论转换模型的特征构建需结合选择的图论方法建立映射关系，完成图中点信息、边信息的特征描述；分层决策模型的特征体系包含多尺度数据表征，全局特征包含网络级资源分布图谱，局部特征聚焦选定时空区域的资源占用状态；图像化生成模型的特征主要包含运行线形状特征和约束条件规则特征，为卷积神经网络等图像处理神经网络提供有效输入信息。

4. 5　人工智能方法选择

通常而言人工智能方法可分为监督学习、无监督学习和强化学习三大类，在面向列车运行图编制的人工智能算法选择框架中，监督学习、无监督学习与强化学习依据任务特性与数据条件协同适配不同问题建模思路。

监督学习主要服务于存在大量标注好的训练数据场景，常用于分类和回归2类任务。在不同的列车运行图编制问题建模思路下，需提前构建大量“输入特征输出标签”数据作为训练数据，进行人工智能算法参数的学习。监督学习方法应用于编图问题的关键难点在于：标注好的训练数据大批量构建较为困难。

无监督学习则聚焦于无标注数据的聚类、异常识别以及新数据的生成，其中变分自编码器（VAE）、生成对抗网络（GAN）等方法可用于图像化生成建模思路，通过无监督训练学习列车运行图智能生成方法。

强化学习在动态决策场景中占据核心地位，通过智能体与环境大量交互，在探索与试错中学习最优决策策略。在各类列车运行图编制问题建模思路下，使用强化学习方法进行智能编图的技术路线见图6，可分为3个阶段：预处理阶段、预训练阶段、在线编图阶段。预处理阶段需完成运行图相关数据处理，实现基础数据和运营数据的收集整理及标准化。然后构建满足马尔可夫决策过程性质的列车运行图编制环境模型，以及由神经网络组成的编图智能体，提出环境模型的状态空间、动作空间、状态转移和奖励函数，设计预训练算法控制智能体与环境模型的交互过程，并使用历史交互数据更新智能体神经网络参数。预训练完成后保存最优的智能体神经网络参数，在线编图阶段载入编图智能体，形成最终的在线实时编图算法，及时响应现场编图需求，输出列车运行图编制结果。

图6　基于强化学习的智能编图技术路线

4. 6　迁移学习

针对高铁路网的复杂性和大规模特性，需引入迁移学习方法。通过在小规模路网上的预训练，提取通用特征，然后将神经网络迁移到大规模路网场景中进行微调。迁移学习可以显著减少大规模路网编图场景下的训练时间，同时提升模型的泛化能力。特别地，针对不同线路的运行特性，可进一步设计多任务学习框架，支持模型在不同场景下的快速适应。

4. 7　算力资源

为满足大规模路网编图场景下的复杂神经网络训练要求，需搭建算力集群，设计分布式并行计算架构与数据高效通信策略，通过算力资源动态调度与负载均衡手段，优化资源运用效率，全面提升智能编图算法训练与推理决策性能。

列车运行图智能编制技术是集运输组织学、应用数学、人工智能、计算机应用等多专业融合交叉的基础前瞻性研究方向，更是我国铁路高质量发展的重要科技支撑，但在当前的技术水平，与真正解决实际编图问题需求仍有差距。在前期研究基础上，提出相应的机理、科学问题和内涵，划分了智能化编图级别以及相应的技术方案，为更深入地研究列车运行图智能 编制提供参考。

节选自《铁路技术创新》2025年第3期

END