الگوریتمی مبتنی بر یادگیری گرافی برای کاهش تأخیر قطارها هنگام اختلال

پژوهشگران در پیش‌چاپی در arXiv الگوریتمی به نام GNN-LBBD معرفی کرده‌اند که مسیر، ترتیب حرکت و زمان‌بندی قطارها را هنگام بسته‌بودن منابع ایستگاه بهینه می‌کند. این مدل برای مواجهه با نامشخص‌بودن زمان بازگشایی مسیرها، در افق‌های زمانی متحرک پیش‌بینیِ مدت باقی‌ماندهٔ اختلال را با دریافت اطلاعات تازه به‌روزرسانی می‌کند و هدفش کمینه‌کردن بدترین تأخیر موردانتظار در میان مجموعه‌ای از سناریوهای ممکن است.

GNN-LBBD از روش تجزیهٔ logic-based Benders برای هماهنگ‌کردن انتخاب مسیر و زمان‌بندی منابع استفاده می‌کند. در این روش، الگوهای استفاده از منابع مبنای ساخت قیود شرطی‌اند و یک شبکهٔ عصبی گرافی ترتیب حل زیرمسئله‌های مربوط به آزادسازی منابع را هدایت می‌کند.

در ۲۸ نمونهٔ آزمایشی برای ایستگاهی با پنج خط، میانگین تأخیر کل تکمیل حرکت قطارها ۶۱٫۱۳ دقیقه بود؛ ۱۶٫۶۳ درصد کمتر از روش tabu search و ۲۰٫۰۶ درصد کمتر از variable neighborhood search. میانگین زمان محاسبه نیز نزدیک به زمان روش tabu search بود. مقایسهٔ اطلاعات در شش نمونهٔ منتخب نشان داد استفاده از مشاهدات دربارهٔ روند رفع اختلال، میانگین تأخیر کل را حدود ۲۱٫۷ درصد کاهش می‌دهد. پیش‌بینی‌های مبتنی بر سناریو و میانگین شرطی، با فرض دسترسی به اطلاعات یکسان، نتایجی کلی مشابه داشتند. پژوهشگران می‌گویند اثر اطلاعات در برخی نمونه‌های دارای مسیرهای جایگزین بیشتر بود؛ یافته‌ای که به ارتباط میان ساختار منابع ایستگاه و امکان تغییر برنامهٔ حرکت اشاره دارد.