Mély megerősítéses tanulás alkalmazása vasúti forgalomirányításban
Minden vasúti rendszerben előfordulnak néha üzemzavarok, komolyabb torlódások, balesetek, melyek befolyásolják a vonatközlekedést egy adott szakaszon vagy szakaszokon. Ez sokak számára komoly kellemetlenséggel járhat, illetve a vasúti szállítmányozás fennakadását is eredményezheti. Ebben az esetben, a torlódás elkerülése és a késések minimalizálása érdekében változtatni kell az érintett szerelvények időbeosztását és útvonalát. Ezt nevezzük vasúti átütemezéi problémának. Az időbeosztás átütemezése és az útvonalak újratervezése egy komplex problémakör. Számos különböző tényezőt figyelembe kell vennünk, így komoly kihívást jelentő feladat kielégítő megoldást találni. A megerősítéses tanulás illetve a deep learning újabb és újabb komoly eredményeket ér el számos különböző területen. Ezen dolgozatban egy multi-ágensű mély megerősítéses tanuláson alapuló megoldást mutatunk be, mely során a neurális hálózatot sorozatosan új helyzetek elé állítjuk, hogy az tapasztalatot gyűjtsön és ezáltal felismerje és megtanulja a szükséges viselkedési mintákat ahhoz, hogy a szerelvények útvonalát módosítani tudja adott szakaszon, akár olyan helyzetben is, mellyel azelőtt még nem találkozott. A továbbiakban bemutatjuk a felhasznált környezet felépítését, a módszer alapvető működését és a kapott eredmények segítségével demonstráljuk, hogy tényleg képes az újratervezési probléma hatékony megoldására.
szerző
-
Balogh Csanád Levente
Járműmérnöki
mesterképzés (MA/MSc), nappali
konzulens
-
Kővári Bálint
PhD hallgató, Közlekedés- és Járműirányítási Tanszék