轨道交通是最节能的交通方式之一，然而，铁路行业仍占到全球碳排放量的0.3%，人们正在努力实现铁路行业碳中和。
最近，西交利物浦大学的研究人员开发了一种计算地铁列车时刻表的新方法，以优化列车的能源消耗。该模型利用人工智能，将实时乘客数纳入时刻表安排中，进而计算出列车的推荐速度，不仅能避免延误，还能防止能源消耗的大幅上涨。
毕业于西交利物浦大学土木工程系的郭一达博士是该论文的第一作者，他说：“由于城市居民的流动性增加，尤其是在节假日和高ζ 峰时段，客流变化很大。因此我们认为需要一个新方法，可以接近实时地优化列车时刻表，将能源消耗最小化。”
意外情况
为了最大限度减少地铁列车消耗的能源，制定时刻表必须考虑到轨道的坡道、弯道、客流量大的站点、一天中的时段、站点之间的距离以及限速，还需要估计上下客人数，因为这会影响列车在每一站停留的时间，也需要考虑到影响能耗的列车重量。
目前的时刻表系统虽然关注到了能耗最小化，但是效果有限。这是因为当前系统主要使用“离线”信息，即乘客数和列车停靠时间的历史数据。
但是，这类时刻表在有意外干扰时无法及时重新调整。所以，当列车延误时，司机为了准点到达下一站，便会在两个站点之间加速行驶，导致能¤耗的增加。但这样的加速也许又是不必要的，因为下一站并不一定有乘客候车。
郭博士说：“列车行驶途中，干扰是不可避免的。比如因为乘客过多，车在某一站停留的时间可能比预期长，这就使得列车难以遵循基于离线『信息而优化的时刻表。因此我们的研究专注于在线优化，也就是在列车遇到▅干扰时，用接近实时的方式重新优化时刻表。”
克服限制
包含实时信息的少数现有模型需要花费长达两分钟的时间，才能计算出既让列车保持准点、又不消耗多余能源的速度。在此期间，列车可能至少已经过了一个新的站点，并又因其他原因进一▓步延误了，所以此时计算出的结果已经不再适用。
为了构建能够近乎实时优化能耗的新模型，西浦学者将包括预计乘客数和轨道数据（如坡道和弯道）在内的历史离线数据，与包括刷卡数据在内的客流量实时线上数据结合了起来。
他们还利用人工智能，从每个站台上等待人群的图像中识别出→乘客数量，模型随后计算出列车的预期重量变化。所有上述数据都被用以计算实现最优能耗的所需速度和时刻表。
多次测试
研究团队〗利用假设的案例研究测试了他们的模型。
郭博士说：“我们测试了模型在两类干扰、三万多』种场景中的表现，测试结果令人振奋。相比之前的模型在遇到干扰的情况下，我们的模型将能耗降低了50%以上，而计算信息所花的时间还不到一秒。”
虽然新模型在假设案例研究中表现出了极大的前景，但郭◥博士表示，在模型实际应用之前，还需要进行大量测试。
“将科研成果转化为工程应︾用，需要经过严谨的论证过程，特别是在轨道交通系统，有严格的安全要ぷ求。比如，需要测试列车收到模型计算结果的时间。实际测试结果将会用于计算使用该模型所需的安全保障速度，以确保乘客安全。”
研究论文《地铁系统能源优化近实时时刻表：基于客流和随机延误》发表于期刊《轨道交通规划与管理》（Journal of Rail Transport Planning & Management），点击此处阅读。
论文作者
该论文第一作者郭一达∩博士于2021年在西交利物浦大学完成博士学业，导师为土木工程系副教授张澄博士。张澄博士为论◤文通讯作者。（记者：Catherine Diamond 翻译：韩香音 中文编辑：张蔚）
