Multi-objective railway timetabling including energy-efficient train trajectory optimization
Notice bibliographique
Résumé
Energy-efficient train driving is an important topic to railway undertakings (RUs) for sustainability and cost reduction. The timetable affects the possibilities for energy-efficient train driving by the amount of running time supplements, which is the topic of energy-efficient train timetabling (EETT). The scientific literature on EETT focuses mainly on the balance between total running time and energy consumption. However, in practice RUs consider a trade-off between the total running time, the infrastructure occupation and the timetable robustness, while energy efficiency is not considered. In this paper we consider a multiple-objective timetabling problem at a microscopic infrastructure level that adds energy consumption to the other three objectives. We approach the multiple-objective problem by a brute force search algorithm, where we use two different methods to compute the optimal solution: a weighted sum method and a distance metric method. We apply the method to a Dutch case study on the corridor between the stations Arnhem Central and Nijmegen with alternating Intercity and Sprinter trains, without intermediate overtaking possibilities. The results indicate that there is a balancing relationship between the total running time and energy consumption, without influencing the infrastructure occupation and robustness. The results of the 10 Pareto-optimal solutions show a variation of 5% for the total running time, 18% for the energy consumption, 0.3% for the extended cycle time, and 0.8% for the buffer time. The shortest running time leads to 18% more energy consumption than the longest running time with 5% more running time supplement. In both cases the extended cycle time and buffer time are almost constant. On the other hand, reducing the infrastructure occupation leads to homogenization of the timetable. Therefore, including energy consumption in the multiple-objective can be used to balance the trade-off between total running time and capacity consumption.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».