不确定性下的实时地铁列车重新调度：一种混合机器学习与整数L型方法

Real-time metro train rescheduling under uncertainties: A hybrid machine learning and integer L-shaped approach

地铁列车在运行过程中难免会遭遇故障，从而导致运营中断或延误。鉴于故障类型（如延误、停运及救援）及其持续时间均存在不确定性，本文研究了工业5.0背景下实时列车重新调度问题。研究构建了一个风险规避型两阶段随机规划模型，用于为每种可能的不确定性情景生成重新调度方案，并确保各方案之间的无缝衔接。该模型的第一阶段制定与不确定性情景无关的重新调度决策，例如待派遣的备用列车数量以及故障处理期间是否对列车实施短途周转；第二阶段则采用适用于地铁线路的所有调度措施并作出额外的重新调度决策。为将人为因素纳入决策过程，本研究采用均值条件风险价值准则来体现调度员在风险管理方面的普遍保守态度。基于传统的整数L型框架，该模型被分解为第一阶段主问题和若干第二阶段子问题。顺应工业5.0的技术发展趋势，本研究采用监督机器学习方法预测子问题的目标值而非直接求解，从而能够快速引入近似最优切割方案，显著提升计算效率。在北京亦庄地铁线开展了数值实验。计算结果表明，与 GUROBI 方法相比，所提出的解决方案可将平均计算时间缩短99.02%；而开发的随机模型相较于实际策略，能将平均目标值降低超过22%，从而助力智能且具有韧性的地铁系统建设。

该研究由深圳技术大学与背景北京交通大学、上海工程技术大学、罗马第三大学合作完成，成果发表在工程技术类的国际期刊《TRANSPORTATION RESEARCH PART E-LOGISTICS AND TRANSPORTATION REVIEW》，2026年5月期刊影响因子为9.41，属于SCI中科院一区TOP期刊。学院苏博艺老师为论文第一作者。

论文链接：https://doi.org/10.1016/j.tre.2026.104704