English(EN) Graph learning-assisted logic-based Benders decomposition for distributionally robust in-station train rescheduling under disruptions

新的GNN-LBBD方法优化扰动下的列车重新调度

作者 PulseAugur 编辑部 · [1 个来源] · 2026-11-06 05:00

研究人员开发了一种名为GNN-LBBD的新方法，该方法结合了图神经网络和基于逻辑的Benders分解，以优化在扰动下的列车重新调度。该方法旨在通过在不确定性下联合优化列车路线、顺序和时间来最小化最坏情况下的预期总完成延迟。在对一个五轨车站的28个实例进行的测试中，GNN-LBBD的表现优于禁忌搜索和可变邻域搜索，分别将平均总完成延迟降低了16.63%和20.06%。 AI

影响这项研究引入了一种新颖的AI辅助方法，用于优化复杂的物流问题，如列车重新调度，有望提高交通网络的效率。

排序理由该集群包含一篇学术论文，详细介绍了一种针对特定问题领域的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 18 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇学术论文，详细介绍了一种针对特定问题领域的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, other; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Xiaobin Li, Yanbin Gao, Jianing Long, Wuming Lei · 2026-11-06 05:00

基于图学习辅助的基于逻辑的Benders分解方法用于分布鲁棒的站内列车运行图扰动重调度

arXiv:2611.07520v1 Announce Type: new Abstract: Uncertainty in resource reopening times complicates train holding and rerouting decisions when resource closures coincide with arrival delays and processing-time extensions. We develop a rolling-horizon distributionally robust model…

本文如何被排名

报道来源 [1]

基于图学习辅助的基于逻辑的Benders分解方法用于分布鲁棒的站内列车运行图扰动重调度

相关实体

相关话题