Självlärande neurala nätverk för operativ lokstyrning-SOL, huvudstudie

Lok är en central resurs för ett järnvägsgodsbolag och effektiv och flexibel styrning av dem är essentiell. Lokstyrning ingår i godsoperatörens operativa styrning tillsammans med styrning av lokförare och vagnar. Det finns även aspekter som ligger utanför godsoperatörens ansvarsområde men som spelar stor roll i den operativa verksamheten: Trafikverket leder trafiken på spåren och transporttider beror även på den övriga trafiken. Lokstyrning har många likheter med personalstyrning och vagnsstyrning (som att alla resurserna är beroende av trafiken), och en DRL-agent som kan stötta lokstyrningen bör kunna ligga till grund för liknande metoder också för de andra resursslagen.

I lösningen från förstudien modelleras lokomloppsplaner som en graf där agenten tilldelar kostnader till grafens kanter. Kostnaderna används för att generera den mest kostnadseffektiva planen, vilken testas i en trafiksimulering. Agenten får feedback på hur pass bra vikterna var genom en belöningsfunktion som beaktar tillsynsgränser för lok, inställda tåg, förseningsminuter, bufferttider och hur pass mycket planen ändrats.

Målen med ett AI-baserat beslutstöd inkluderar kostnadsminskning och ökad pålitlighet genom effektivare resurshantering och bättre anpassningsförmåga till störningar. Projektet bidrar till Triple Fs mål genom att förbättra järnvägens flexibilitet, effektivitet och tillförlitlighet och underlättar därigenom överflyttning av transporter till den utsläppseffektiva järnvägen. Det stöder övergången till fossilfria alternativ och minskar CO2-utsläpp genom att öka järnvägens konkurrenskraft för godstransporter.