Deep Reinforcement Learning zur Steigerung von Energieeffizienz und Pünktlichkeit von Straßenbahnen

Eine Steigerung von Energieeffizienz und Pünktlichkeit resultiert in einer erhöhten Wirtschaftlichkeit und Leistungsfähigkeit des Bahnsystems. Diese Leistungsindikatoren können im Vollbahnbereich aufgrund der abgetrennten Bahnkörper und vorhandener Zugsicherungssysteme mit höheren Automatisierungsgraden verbessert werden. Straßenbahnen teilen sich die Trasse mit dem motorisierten Individualverkehr, Radfahrern und Fußgängern. Aus diesen Gründen sind Automatisierungsmöglichkeiten begrenzt und durch das Fahren auf Sicht sind die Fahrer von der sicheren Fahrzeugführung vereinnahmt. ... mehrFahrzeitreserven sind dagegen durch das Fahrgast- und Verkehrsaufkommen variabel. Konventionelle Optimierungsverfahren können für einzelne Szenarien Fahrprofile ermitteln, welche den Energiebedarf bei einer pünktlichen Fahrweise minimieren. Bei betrieblichen Abweichungen sind diese Fahrprofile jedoch nicht mehr optimal. Aufgrund der variablen Fahrzeiten und Haltedauern bietet sich der Einsatz von Künstlicher Intelligenz (KI) an, welche die Muster über den Tag erlernen und darauf die Fahrprofile anpassen kann.
Diese Dissertation untersucht, wie die Energieeffizienz und Pünktlichkeit von Straßenbahnen durch den Einsatz von KI gesteigert werden können. Zum Training der KI wird eine validierte Umgebung aus Messdaten aus dem regulären Fahrgastbetrieb aufgebaut. Der rechenzeitintensive Trainingsprozess wird durch ein datengetriebenes Energiebedarfsmodell beschleunigt. Auf zwei Szenarien wird die KI zu je drei Verkehrszeiten trainiert. Die ermittelten Fahrprofile werden mit denen von Fahrern aus dem regulären Fahrgastbetrieb sowie mit einem durch Dynamic Programming ermittelten theo-retischen Optimum verglichen. Zur Untersuchung der Generalisierungsfähig-keiten der KI wird diese in einem ersten Schritt ohne weiteres Training auf bekannten Szenarien zu unbekannten Haltedauern getestet und mit den Fahrern verglichen. Im zweiten Schritt wird eine Umleitungsfahrt auf einer für die KI unbekannten Strecke simuliert. Die berechneten Fahrprofile werden ebenfalls wieder mit Fahrern aus dem regulären Fahrgastbetrieb verglichen. Anhand der Ergebnisse werden abschließend potentielle Ein-satzmöglichkeiten der KI als Fahrerassistenzsystem diskutiert.

An increase in energy efficiency and punctuality results in improved economics and performance of the railway system. These performance indicators can be achieved with higher levels of automation in the mainline sector due to the separated tracks and existing train control systems. Trams share the track with individual motorised traffic, cyclists and pedestrians. The possibilities for automation are limited and drivers are occupied with safe vehicle guidance due to driving on sight. Driving time reserves are highly variable due to passenger and traffic volumes. Conventional optimisation methods can determine driving profiles for individual scenarios that minimise the energy demand for punctual driving. ... mehrIn case of operational deviations these driving profiles are no longer optimal. Due to the variable driving and stopping times, the use of artificial intelligence (AI) becomes apparent, as it can learn the patterns over the course of the day and adapt the driving profiles accordingly.
This work aims to investigate how energy efficiency and punctuality of trams can be increased through the use of AI. To train the AI, a validated environ-ment is built from measurement data from regular passenger operation. The highly computationally intensive training process is accelerated by a data-driven energy demand model. The AI is trained on two scenarios during three traffic times. The determined driving profiles are compared with those of drivers from regular passenger operation as well as with a theoretical optimum determined by Dynamic Programming. To investigate the generalisation capabilities of the AI, it is at first tested without further training on known scenarios at unknown stopping times and compared with drivers from regular passenger operation. Secondly, a diversion journey is simulated on a route unknown to the AI. The calculated driving profiles are again compared with drivers from regular passenger operation. Finally, potential applications of the AI as a driver assistance system are discussed by means of the results.