Metro trenlerinde uyarlanabilir otomatik sürüş için uzman deneyimiyle yönlendirilen sanal veri kümeleri

Daha akıllı metro sürüşü neden önemli

Birçok şehirde metro trenleri zaten otomatikleştirilmiş durumda, ancak bunlara pürüzsüz sürüş yapmayı, enerji tasarrufu sağlamayı ve yine de zamanında varmayı öğretmek genellikle toplanması pahalı olan büyük miktarda gerçek dünya verisi gerektirir. Bu çalışma, insan makinistlerin uzman bilgisinin nasıl zengin sanal verilere dönüştürülebileceğini gösteriyor; böylece bilgisayarlar, günlük hizmette yıllarca deneme-yanılmaya bağımlı olmadan metro trenlerini uyarlanabilir şekilde sürmeyi öğrenebiliyor.

Sürücü bilgi birikiminden sanal yolculuklara

Araştırmacılar, tren hızlanma ve yavaşlama oranlarının yolcuları rahatsız etmeyecek şekilde ne kadar olabileceği, istasyonlar arasındaki tipik mesafeler ve trenlerin platformda ne kadar hassas durması gerektiği gibi pratik kestirimleri yakalamak için metro uzmanlarıyla çalışarak başlıyorlar. Bu kuralları kullanarak, bir trenin istasyonlar arasındaki mesafe ve süre boyunca hızının nasıl değişmesi gerektiğini tanımlayan milyonlarca sanal “sürüş eğrisi” üretiyorlar. Bu eğriler, yoğun şehir merkezlerinden değişen hız sınırlarına sahip banliyö hatlarına kadar farklı hat tiplerini kapsar ve her zaman güvenlik ile konfor sınırlarına saygı gösterir.

En iyi sürüşleri diğerlerinden ayırmak

Her sanal yolculuk aynı derecede iyi değildir. Bazıları gerektiğinden daha fazla elektrik kullanır, bazıları biraz erken veya geç gelir ve bazıları yolcular için daha az konforlu olabilir. En iyi seçenekleri seçmek için ekip, kesin evet-hayır kurallarının yerine ödünleşmeleri ele alan bulanık mantıktan ilham alan bir karar sistemi uygular. Her aday eğri dört açıdan puanlanır: enerji kullanımı, yolcu konforu, gerçek varış zamanının hedef programa ne kadar yakın olduğu ve trenin platformda ne kadar hassas durduğu. Bu hedefleri en iyi dengeleyen eğriler üst sıralara çıkarak, çeşitli istasyonlar arası seyahat süreleri için yüksek kaliteli sürüş desenleri kütüphanesi sağlar.

Uzman gibi sürmeyi modellemeyi öğretmek

En yüksek kaliteye sahip eğriler seçildikten sonra, bunlar bir makine öğrenmesi modelinin anlayabileceği yapılandırılmış bir veri kümesine dönüştürülür. Bir sanal yolculuğun her anı için veri kümesi, mevcut hız, pozisyon, bir sonraki istasyona kalan mesafe ve zaman ve trenin hattın hangi bölümünde olduğu gibi bilgileri kaydeder. Modelin öğrenmesi gereken hedef, yolculuğu doğru tutacak bir sonraki ivmelenme seçeneğidir. Araştırmacılar çeşitli öğrenme yöntemlerini test eder ve birçok basit karar ağacından oluşan bir rastgele orman modelinin, bu girdilerden tüm sürüş eğrilerini doğru şekilde yeniden oluşturabildiğini; varış zamanlarını ve duruş pozisyonlarını sıkı sınırlar içinde tutabildiğini bulurlar.

Enerji tasarrufu ve yolculuk kalitesinde iyileşme

Bu uzman rehberliğindeki sanal veriler kullanıldığında, çerçeve gerçekçi metro senaryolarına uygulandığında kayda değer kazanımlar sağlıyor. Seçilen sürüş eğrileri enerji tüketimini yaklaşık yüzde on iki oranında azaltırken yüksek bir yolcu konforu düzeyini koruyor. Aynı zamanda varış zamanlarını ve duruş pozisyonlarını hedeflerine yalnızca birkaç ondalık saniye ve birkaç ondalık metre içinde tutuyor; bu, güvenilir hizmet ve güvenli biniş için kritik öneme sahip. Öğrenmenin büyük kısmı gerçek hatlarda değil sanal yolculuklarda gerçekleştiği için, bu yaklaşım geleneksel yöntemlere kıyasla veri toplamanın maliyetini ve karmaşıklığını da azaltıyor.

Geleceğin şehir yolculuğu için anlamı

Uzman olmayanlar için temel mesaj şudur: Metro trenleri deneyimli insan makinistleri gibi sürmeyi, ancak ölçekli ve yıllarca süren manuel ayarlamalar olmadan öğrenebilir. Uzman kurallarını geniş sanal veri kümelerine kodlayıp ardından makine öğrenmesinin trenlerin nasıl hızlanacağını, coasting yapacağını ve frenleyeceğini geliştirmesine izin vererek sistem, daha düzgün yolculuklar, daha düşük enerji faturaları ve hassas istasyon duruşları sağlar; tüm bunlar mevcut otomatik tren işletim düzenlerine entegre edilebilir. Bu, teknik altyapısı sınırlı şehirler de dahil olmak üzere şehirlerin metro ağlarını daha akıllı, daha uyarlanabilir otomatik sürüşe yükseltmesini kolaylaştırır.

Atıf: Huang, Y., Zhao, W., Chen, D. et al. Expert experience-guided virtual datasets for adaptive automatic driving in metro trains. Sci Rep 16, 15044 (2026). https://doi.org/10.1038/s41598-026-47220-3

Anahtar kelimeler: metro otomasyonu, uyarlanabilir otomatik sürüş, sanal veri kümeleri, tren enerji verimliliği, yolcu konforu