链上镖师 / Chain Biaoshi
COR|城市轨道列车编组与时刻表：存车线在线编解联动优化
把中间站存车线纳入滚动调度，让车底规模跟随区段客流变化
这篇 COR 论文把城市轨道列车时刻表、车底周转和中间站在线编解联动放进同一个滚动优化框架，在保持乘客等待时间相近的同时降低车辆运营成本。
- 01：研究对象是客流在时间、方向和区段上都不均衡的城市轨道线路，核心决策包括列车到发时刻、车底连续服务关系和每趟车在各站离开时的编组规模。
- 02：论文提出在线柔性列车编组模式，允许车底在车辆段以及带存车线的中间站进行物理联挂或解编，使列车容量能在运行途中随区段需求调整。
- 03：模型通过紧化分段 McCormick 松弛和滚动时域机制求解，人工算例中滞留乘客等待时间下降 14.54%，运营成本下降 8.98%；北京地铁 9 号线算例中运营成本约下降 6%。
研究背景
城市轨道运营面临的难点不只来自总客流增长，还来自同一条线路上不同区段、方向和时段的需求错位。高峰区段需要更大运力，低需求区段继续使用大编组会带来空驶容量和车辆成本。论文把这一矛盾放到时刻表和车底周转的联合优化中处理。
不同时段各区段平均断面客流示意，说明同一方向内也会出现空间需求不均衡。来源：Fig. 2。
既有手段包括缩短发车间隔、短交路和车辆段内柔性编组。缩短间隔主要处理时间维度的需求波动，短交路更适合局部繁忙区段，车辆段编组可以改变出库容量。列车出发后编组固定，仍难覆盖途中客流峰值迁移。
本文关注的运营问题是：列车已经在线路上运行时，能否利用中间站存车线进行物理联挂和解编，让同一车底在不同区段提供不同运力。
核心问题
论文设定的线路包含双向运行、端部车辆段和若干配备存车线的中间站。列车由一个或多个 convoy 组成，convoy 是可独立运行并可联挂、解编的最小运营单元；rolling stock 是执行列车服务的车底实体。
在线柔性列车编组模式示意，展示 S2、S4 存车线在不同客流时段承担解编、存放和补编功能。来源：Fig. 3。
01在 [0,T1] 时段，A 区段客流高，列车先用多 convoy 编组运行，到 S2 解编并把多余 convoy 存入存车线。
02在 [T1,T2] 时段，A 区段需求较低，列车先以单 convoy 运行，到 S2 补编服务 B 区段，再到 S4 解编进入低需求 C 区段。
03在 [T2,T3] 时段，列车先服务高需求 A 区段，到 S2 解编通过低需求 B 区段，再到 S4 补编服务高需求 C 区段。
这个机制带来新的运营约束：联挂和解编会占用额外停站时间，存车线有容量限制，主线和存车线上的 convoy 流量需要守恒。模型必须同时控制乘客等待、车辆使用、编解联成本和车底衔接可行性。
方法框架
论文建立混合整数非线性规划模型，目标函数由乘客服务质量和列车运营成本两部分组成。乘客侧包括新到达乘客等待时间和滞留乘客等待时间，运营侧包括 convoy 运行、主线编解联、存车线编解联、车辆段出入库和车底固定成本。
1输入动态客流、线路站点、存车线、车辆段和运行参数。
2决定各列车在各站的到发时刻、停站时间、发车间隔和编组规模。
3用约束描述联挂、解编、存车线库存、车底周转和乘客上下车过程。
4对目标函数中的双线性等待时间项进行分段 McCormick 松弛。
5在滚动时域中反复更新短期需求预测，只执行当前控制窗口内的决策。
滚动时域优化框架，说明阶段问题如何继承已执行车底状态并接入新的短期客流预测。来源：Fig. 4。
求解层面，论文先把非线性约束线性化，再对目标中的双线性项采用紧化分段 McCormick 松弛。算法以原始边界求解松弛模型，围绕当前最优可行解收缩 headway 边界，迭代得到更紧的上界和可实施解。
案例或实验设置
论文设置了人工线路和真实线路两类实验。人工算例用于检验机制效果和算法表现，参数包括最小发车间隔 200 秒、最大发车间隔 360 秒、预测时域 1800 秒、控制时域 1000 秒、单 convoy 容量 200 人等。
人工城市轨道线路客流需求，展示实验场景中的明显时空不均衡。来源：Fig. 6。
北京地铁 9 号线拓扑图，为真实案例中的站点、运行方向和存车线约束提供场景参照。来源：Fig. 10。
真实城市轨道线路客流需求，说明北京地铁 9 号线算例中客流在车次和车站维度存在波动。来源：Fig. 11。
结果分析
人工算例把在线柔性编组 OFTC 与传统车辆段柔性编组 TFTC 对比。表 5 显示，OFTC 的平均乘客等待时间为 957514 秒，TFTC 为 958361 秒；OFTC 的滞留乘客等待时间为 167274 秒，TFTC 为 195732 秒。
人工算例下两种策略的列车平均区段满载率，显示在线编组改善容量匹配。来源：Fig. 7。
人工算例中列车编组策略性能比较，OFTC 的滞留乘客等待时间下降 14.54%，运营成本下降 8.98%。来源：Table 5。
真实案例中两种策略的列车平均区段满载率，支撑在线编组提高容量利用的结果。来源：Fig. 12。
人工算例运营成本
29,990 vs 32,950
OFTC 相比 TFTC 降低 8.98%。
北京 9 号线运营成本
约降低 6%
论文摘要说明等待时间总体保持相近。
管理启示
实验结果给运营方的直接含义是，存车线不只用于车辆停放，也可以成为线路途中容量再配置节点。在线编组让高需求区段获得更多 convoy，低需求区段减少冗余编组，成本节约来自车辆运行量和编组规模的动态匹配。
真实案例中两种策略的列车运行计划，展示车底延续关系、车辆段补编和中间站编解联动。来源：Fig. 13。
真实案例中 Gurobi 与紧化 McCormick 算法结果比较，用于说明滚动决策场景下的求解可用性。来源：Table 9。
预测时域对算法计算表现和解质量的影响，展示部署时需要在前瞻信息、求解时间和运营效果之间做参数选择。来源：Fig. 15。
这篇论文的工程价值在于把中间站存车线、动态客流预测和车底周转同时纳入决策，使柔性编组从出库前容量配置延伸到运行中的区段级运力重分配。
论文：Efficient optimization of train timetable and rolling stock circulation plans for urban rail transit lines under a flexible train composition mode
作者：Zebin Chen，Shukai Li，Huimin Zhang，Andrea D’Ariano，Marta Leonina Tessitore，Lixing Yang
期刊：Computers and Operations Research
链上镖师、先卜交通、先卜运筹通用论文ID
保存此推文 ID，可在粉丝群内获取相关材料，未来更多功能敬请期待
先卜科技团队：常文婕、张巧巧、王一航、夏子帆、张晓乐、祁园园、张仁义
