Amélioration de l'Éfficacité Ferroviaire par une Intelligence Artificielle augmentée par la Recherche Opérationnelle – REINFORCERAIL
REINFORCERAIL
Railway EffIcieNcy Fostered by Operations ResearCh EmpoweRing Articificial InteLligence
Improving railway traffic management
In REINFORCERAIL, we aim to combine Artificial Intelligence (AI) and Operations Research (OR)-based approaches for railway traffic management.<br />In particular, we address two research questions:<br />1. How can AI help find traffic management decisions in real-world circumstances: within short times and for extremely large railway networks?<br />2. How can AI-based approaches for traffic management be best hybridized with OR-based approaches to ensure quality of these decisions and to reduce time and energy spent for the training?<br />To do so, we propose two innovations combining the strengths of the two approaches.<br />First, we will use neural networks to limit the problem size while guaranteeing good network-level railway traffic management.<br />Second, we will hybridize AI approaches with OR techniques. In this hybridization, the AI component will overcome the OR scalability problems, while the OR component will get around the AI struggle in gaining a quality guarantee and<br />the trust required for a fully automated application.
Two methods are proposed.
On the one hand, AI will identify pertinent sub-problems that can be dealt with independently.
On the other hand, AI will drive the configuration of a mixed-integer programming-based algorithm to fit to the features of the traffic situation at hand.
Pertinent KPIs have been defined.
AI methods are to be developed and tested.
1. Sehmisch S., Szymula C., Bešinovic N. Learning to reduce Railway Traffic Management Problems, 2nd Workshop on Data and Transportation Science Cooperation (DATRASCOOP), September 27, 2024, Tenerife (Canary Islands, Spain)
2. Sehmisch S., Szymula C., Bešinovic N. A data-driven Problem Reduction Framework for local Train Rescheduling in Station Areas, 9th AIROYoung Workshop, February 26-28, 2025, Pavia (Italy)
3. C. Bai, P. Pellegrini, J. Rodriguez, M. López-Ibáñez (2025) Learning for RECIFE-MILP: a Parameter Configuration Perspective, RailDresden 2025, April 1-4, 2025, Dresden (Germany).
4. Fouladi A., Bešinovic N. Reinforcement Learning Approach for Train Rescheduling: A Review and Future Directions, RailDresden 2025, April 1-4, 2025, Dresden (Germany)
Enjeux
Le transport ferroviaire joue un rôle important dans le report vers des mobilités soutenables des biens et des personnes. Un trafic dense et fréquent requiert des outils plus performants pour la régulation en temps réel, afin de réduire les retards occasionnés par des perturbations ou des interruptions de trafic et ainsi améliorer la fiabilité et la ponctualité des services.
Idée
Le projet REINFORCERAIL propose une nouvelle composante intelligente du système de gestion de trafic basée sur l’Intelligence Artificielle (IA). Des résultats préliminaires ont montré que la gestion du trafic basée sur l’IA est envisageable, mais au prix d’une conception de modèles complexes et d’une phase d’apprentissage laborieuse. Pour surmonter ces difficultés, deux méthodes sont explorées. La première doit permettre de réduire considérablement la taille du problème à l’aide de réseaux de neurones qui vont identifier les trains qu’il faut réguler lors d’une perturbation et qui vont définir l’horizon de régulation le plus pertinent. Dans la seconde méthode, des modèles de la Recherche Opérationnelle (RO) seront couplés à des agents intelligents programmés par des techniques d’apprentissage. De plus, la RO fournira des bornes de confiances sur la qualité des solutions, exigence nécessaire à l’automatisation complète de la gestion du trafic.
Perspectives
Le projet REINFORCERAIL répond au besoin d’un système de gestion de trafic ferroviaire hautement automatisé, afin de trouver rapidement des solutions de régulation fiables lors de perturbations. Ce projet permettra aux gestionnaires des deux plus grandes infrastructures ferroviaires Européennes, en France et Allemagne, de jouer un rôle de premier plan dans la transition vers une automatisation de la production des services ferroviaires.
Coordination du projet
Paola Pellegrini (Université Gustave Eiffel)
L'auteur de ce résumé est le coordinateur du projet, qui est responsable du contenu de ce résumé. L'ANR décline par conséquent toute responsabilité quant à son contenu.
Partenaire
Univ eiffel Université Gustave Eiffel
SNCF SOCIETE NATIONALE SNCF
DB DB Netz AG
TU Dresden Dresden University of Technology
Aide de l'ANR 795 465 euros
Début et durée du projet scientifique :
May 2023
- 48 Mois
