都市鉄道交通におけるマルチオブジェクト指向のエネルギー効率的な列車時刻表最適化:ハイブリッドDRL-NSGA-IIIフレームワークによるアプローチ
Multi-Objective Energy-Efficient Train Timetable Optimization in Urban Rail Transit via a Hybrid DRL-NSGA-III Framework
都市鉄道交通システムは、カーボンピーク・カーボンニュートラル目標の下で、牽引エネルギー消費の増大と旅客サービス品質との間の顕著な矛盾に直面している。本研究では、都市鉄道交通システムにおけるマルチオブジェクト指向の列車時刻表最適化のために、深層強化学習(DRL)と非支配ソート遺伝アルゴリズムIII(NSGA-III)をオフラインで組み合わせたハイブリッド最適化フレームワークを提案する。提案モデルは、エネルギー消費、乗客の待ち時間、回生ブレーキエネルギー利用を同時に考慮する。従来の進化論的および学習ベースの手法に代わるものとして、2段階の最適化アーキテクチャが開発された。オフライン段階では、NSGA-IIIを使用して高品質のパレート最適解を生成し、Double Deep Q-Network(Double DQN)の経験再生バッファを初期化するために使用される。オンライン段階では、DRLエージェントが動的な乗客需要の下で適応的な時刻表調整を実行する。NSGA-IIIはパレート解生成とDQN事前トレーニングのためにオフライン段階でのみ使用され、オンライン実行中はNSGA-III最適化は行われない。実際の地下鉄ケーススタディでの実験結果は、提案手法がベースライン手法と比較してエネルギー効率とサービス品質において大幅な改善を達成することを示している。この結果は、ハイブリッドフレームワークがリアルタイムの地下鉄時刻表最適化問題に対して効果的かつスケーラブルなソリューションを提供することを確認している。
- 深層強化学習(DRL)と非支配ソート遺伝アルゴリズムIII(NSGA-III)を組み合わせた2段階のハイブリッド最適化フレームワークを提案し、都市鉄道の列車時刻表最適化を対象とした。
- オフライン段階でNSGA-IIIがパレート最適解を生成してDouble Deep Q-Network(Double DQN)の経験再生バッファを初期化し、オンライン段階ではDRLエージェントが動的乗客需要下で適応的な時刻表調整を実行する。オンライン実行中にNSGA-III最適化は行わない。
- エネルギー消費・乗客の待ち時間・回生ブレーキエネルギー利用の3目的を同時に考慮した最適化モデルを構築した。
- 実際の地下鉄ケーススタディで、提案手法がベースライン手法比でエネルギー効率とサービス品質を大幅に改善し、リアルタイム地下鉄時刻表最適化に対して効果的かつスケーラブルであることを確認した。
都市鉄道の列車ダイヤ最適化という応用課題に対し、深層強化学習(Double DQN)と多目的進化計算(NSGA-III)をオフライン/オンラインの2段構成で組み合わせた研究。注目点は「NSGA-IIIでパレート解を生成して経験再生バッファを初期化し、オンラインはDRLのみで適応運転」という役割分担で、計算コストの高い進化計算を実行時に回さずリアルタイム性を確保する設計。省エネ・待ち時間・回生ブレーキ利用の3目的を同時最適化しており、鉄道運営事業者の運行コストと電力コストに直結しうる。ただし実証は実在の地下鉄を模したケーススタディであり、商用導入や事業者との契約といった事業化事象は示されておらず、投資判断に直結する材料としては限定的。DRL+進化計算のハイブリッド最適化が社会インフラの運用最適化へ外販可能なソリューションになり得るか、今後の実路線での検証と導入事例が焦点になる。