朔黃鐵路基于AI學習的重載列車操控曲線規劃技術研究公開招標，本項目已具備招標條件，現對該項目進行國內資格后審公開招標。
2.項目概況與招標范圍
2.1 項目概況、招標范圍及標段（包）劃分：2.1.1項目概述
鐵路運輸因具有運能大、效率高、運輸成本低等優勢而受到世界各國的廣泛重視，是世界上大宗貨物最經濟有效的運輸方式，隨著經濟社會的快速發展，國內、國際上對于重載貨運鐵路系統的運輸能力提出了更高的要求。朔黃鐵路重載運輸已經投入48臺機車，實現了萬噸、2萬噸重載列車自動駕駛的規模化開行，截至2025年8月，朔黃鐵路重載列車自動駕駛累計安全運行已超過200萬公里。當前朔黃鐵路重載組合列車自動駕駛系統以保障安全為首要目標，結合運輸管理要求的操縱管理辦法、人工操作經驗整體來實施。
在此背景下，本項目充分結合和繼承既有兩萬噸重載組合列車開行成果、自動駕駛試驗與擴大化運行考核研究成果，采用AI前沿技術，在朔黃鐵路重載試驗室既有裝備條件下，圍繞基于深度神經網絡的列車狀態預測模型構建、基于深度強化學習的操縱策略、基于地面仿真平臺的模型優化驗證開展研究工作。同時，率先將AI學習應用于重載鐵路自動駕駛系統操作曲線規劃優化，在整個中國鐵路范圍內都具有典型的科技示范效應，對筑牢鐵路科技創新基礎，搶占AI學習在列車自動駕駛領域技術制高點具有重要意義。
2.1.2招標范圍及標段（包）劃分
本項目共劃分為1個標段。
基于AI學習的重載列測操縱曲線規劃技術研究項目主要研究以下內容：
（1）基于深度神經網絡的列車狀態預測模型構建
結合深度神經網絡在特征提取與建模方面的優勢，構建列車狀態預測模型，輸入數據包括列車運行狀態（如速度、加速度、位置等）、控制指令（如牽引力、制動力，減壓量，緩解時間）以及線路信息（如坡度、曲率、限速區段等），自動識別并學習數據中的關鍵關聯特征，深入挖掘列車運行過程中的時序特征與線路環境、操縱之間的耦合關系，實現對未來狀態、車鉤力等關鍵動態響應指標的精準預測，為運行優化提供可靠的狀態預測模型支持。
（2）基于深度強化學習操縱曲線規劃技術研究
分析重載列車操縱策略決策過程，構建為強化學習的序列決策過程。基于智能體–環境交互框架，以深度Q網絡（DQN）為核心，研究列車操縱級位的自適應優化。研究利用Tile Coding技術對連續的速度和位置進行多組偏移離散化編碼，生成稀疏 one-hot 向量，作為DQN的輸入特征，提升列車狀態和控制級位的表達能力。
（3）基于地面仿真平臺的模型驗證與測試
利用朔黃鐵路既有重載實驗室自動駕駛仿真平臺，研究操縱曲線優化評價邊界條件約束，并進行基于深度神經網絡的列車狀態預測模型的正確性驗證和深度強化學習操作策略的有效性驗證。通過分析優化策略下的仿真指標來驗證優化后的操縱策略有效性；同時，將該策略與自動駕駛仿真平臺結合，來驗證該策略在實際控車模式下的可行性。通過分析和評估仿真結果，對模型和算法進行改進，以獲得更優的操縱策略進一步提高重載列車運行的安全性和效率。
2.1.3合作形式：
服務期限：合同簽訂后24個月。
服務地點：朔黃鐵路發展有限責任公司管內。
2.2 其他：/
2.3 主要研究內容及預期目標：基于AI學習的重載列測操縱曲線規劃技術研究項目主要研究以下內容：
（1）基于深度神經網絡的列車狀態預測模型構建
結合深度神經網絡在特征提取與建模方面的優勢，構建列車狀態預測模型，輸入數據包括列車運行狀態（如速度、加速度、位置等）、控制指令（如牽引力、制動力，減壓量，緩解時間）以及線路信息（如坡度、曲率、限速區段等），自動識別并學習數據中的關鍵關聯特征，深入挖掘列車運行過程中的時序特征與線路環境、操縱之間的耦合關系，實現對未來狀態、車鉤力等關鍵動態響應指標的精準預測，為運行優化提供可靠的狀態預測模型支持。
（2）基于深度強化學習操縱曲線規劃技術研究
分析重載列車操縱策略決策過程，構建為強化學習的序列決策過程。基于智能體–環境交互框架，以深度Q網絡（DQN）為核心，研究列車操縱級位的自適應優化。研究利用Tile Coding技術對連續的速度和位置進行多組偏移離散化編碼，生成稀疏 one-hot 向量，作為DQN的輸入特征，提升列車狀態和控制級位的表達能力。
（3）基于地面仿真平臺的模型驗證與測試
利用朔黃鐵路既有重載實驗室自動駕駛仿真平臺，研究操縱曲線優化評價邊界條件約束，并進行基于深度神經網絡的列車狀態預測模型的正確性驗證和深度強化學習操作策略的有效性驗證。通過分析優化策略下的仿真指標來驗證優化后的操縱策略有效性；同時，將該策略與自動駕駛仿真平臺結合，來驗證該策略在實際控車模式下的可行性。通過分析和評估仿真結果，對模型和算法進行改進，以獲得更優的操縱策略進一步提高重載列車運行的安全性和效率。
2.4 項目服務期：合同簽訂后24個月（730日歷天）
3.投標人資格要求
3.1 資質條件和業績要求：
【1】資質要求：投標人須為依法注冊的獨立法人或其他組織，須提供有效的證明文件。
【2】財務要求：/
【3】業績要求：2020年10月至投標截止日（以合同簽訂日期為準），投標人須至少具有機車自動駕駛研究類或軌道交通平臺研究類業績1份。投標人須提供能證明本次招標業績要求的課題相關證明或項目合同掃描件，合同掃描件須至少包含：合同買賣雙方蓋章頁、合同簽訂日期、業績要求中的關鍵信息頁。
【4】信譽要求：/
【5】項目負責人的資格要求：項目負責人1名，須具有副高級及以上技術職稱，并提供證明材料。
【6】其他主要人員要求：/
【7】科研設施及裝備要求：/
【8】其他要求：/
3.2 本項目接受聯合體投標。 聯合體組成單位不得超過2家。
4.招標文件的獲取
招標文件開始購買時間2025-10-27 09:00:00，招標文件購買截止時間2025-11-03 16:00:00。
欲購買招標文件的投標人請聯系辦理入圍供應商事宜,開通后根據招標公告的相應說明在線完成招標文件的
購買!為保證您能夠順利投標，具體要求及購買標書流程請聯系 010-68818478
詳情請咨詢
聯系人：劉工
手機：13681557910 (微信同號)
郵箱：1490789738@qq.com
2.項目概況與招標范圍
2.1 項目概況、招標范圍及標段（包）劃分：2.1.1項目概述
鐵路運輸因具有運能大、效率高、運輸成本低等優勢而受到世界各國的廣泛重視，是世界上大宗貨物最經濟有效的運輸方式，隨著經濟社會的快速發展，國內、國際上對于重載貨運鐵路系統的運輸能力提出了更高的要求。朔黃鐵路重載運輸已經投入48臺機車，實現了萬噸、2萬噸重載列車自動駕駛的規模化開行，截至2025年8月，朔黃鐵路重載列車自動駕駛累計安全運行已超過200萬公里。當前朔黃鐵路重載組合列車自動駕駛系統以保障安全為首要目標，結合運輸管理要求的操縱管理辦法、人工操作經驗整體來實施。
在此背景下，本項目充分結合和繼承既有兩萬噸重載組合列車開行成果、自動駕駛試驗與擴大化運行考核研究成果，采用AI前沿技術，在朔黃鐵路重載試驗室既有裝備條件下，圍繞基于深度神經網絡的列車狀態預測模型構建、基于深度強化學習的操縱策略、基于地面仿真平臺的模型優化驗證開展研究工作。同時，率先將AI學習應用于重載鐵路自動駕駛系統操作曲線規劃優化，在整個中國鐵路范圍內都具有典型的科技示范效應，對筑牢鐵路科技創新基礎，搶占AI學習在列車自動駕駛領域技術制高點具有重要意義。
2.1.2招標范圍及標段（包）劃分
本項目共劃分為1個標段。
基于AI學習的重載列測操縱曲線規劃技術研究項目主要研究以下內容：
（1）基于深度神經網絡的列車狀態預測模型構建
結合深度神經網絡在特征提取與建模方面的優勢，構建列車狀態預測模型，輸入數據包括列車運行狀態（如速度、加速度、位置等）、控制指令（如牽引力、制動力，減壓量，緩解時間）以及線路信息（如坡度、曲率、限速區段等），自動識別并學習數據中的關鍵關聯特征，深入挖掘列車運行過程中的時序特征與線路環境、操縱之間的耦合關系，實現對未來狀態、車鉤力等關鍵動態響應指標的精準預測，為運行優化提供可靠的狀態預測模型支持。
（2）基于深度強化學習操縱曲線規劃技術研究
分析重載列車操縱策略決策過程，構建為強化學習的序列決策過程。基于智能體–環境交互框架，以深度Q網絡（DQN）為核心，研究列車操縱級位的自適應優化。研究利用Tile Coding技術對連續的速度和位置進行多組偏移離散化編碼，生成稀疏 one-hot 向量，作為DQN的輸入特征，提升列車狀態和控制級位的表達能力。
（3）基于地面仿真平臺的模型驗證與測試
利用朔黃鐵路既有重載實驗室自動駕駛仿真平臺，研究操縱曲線優化評價邊界條件約束，并進行基于深度神經網絡的列車狀態預測模型的正確性驗證和深度強化學習操作策略的有效性驗證。通過分析優化策略下的仿真指標來驗證優化后的操縱策略有效性；同時，將該策略與自動駕駛仿真平臺結合，來驗證該策略在實際控車模式下的可行性。通過分析和評估仿真結果，對模型和算法進行改進，以獲得更優的操縱策略進一步提高重載列車運行的安全性和效率。
2.1.3合作形式：
服務期限：合同簽訂后24個月。
服務地點：朔黃鐵路發展有限責任公司管內。
2.2 其他：/
2.3 主要研究內容及預期目標：基于AI學習的重載列測操縱曲線規劃技術研究項目主要研究以下內容：
（1）基于深度神經網絡的列車狀態預測模型構建
結合深度神經網絡在特征提取與建模方面的優勢，構建列車狀態預測模型，輸入數據包括列車運行狀態（如速度、加速度、位置等）、控制指令（如牽引力、制動力，減壓量，緩解時間）以及線路信息（如坡度、曲率、限速區段等），自動識別并學習數據中的關鍵關聯特征，深入挖掘列車運行過程中的時序特征與線路環境、操縱之間的耦合關系，實現對未來狀態、車鉤力等關鍵動態響應指標的精準預測，為運行優化提供可靠的狀態預測模型支持。
（2）基于深度強化學習操縱曲線規劃技術研究
分析重載列車操縱策略決策過程，構建為強化學習的序列決策過程。基于智能體–環境交互框架，以深度Q網絡（DQN）為核心，研究列車操縱級位的自適應優化。研究利用Tile Coding技術對連續的速度和位置進行多組偏移離散化編碼，生成稀疏 one-hot 向量，作為DQN的輸入特征，提升列車狀態和控制級位的表達能力。
（3）基于地面仿真平臺的模型驗證與測試
利用朔黃鐵路既有重載實驗室自動駕駛仿真平臺，研究操縱曲線優化評價邊界條件約束，并進行基于深度神經網絡的列車狀態預測模型的正確性驗證和深度強化學習操作策略的有效性驗證。通過分析優化策略下的仿真指標來驗證優化后的操縱策略有效性；同時，將該策略與自動駕駛仿真平臺結合，來驗證該策略在實際控車模式下的可行性。通過分析和評估仿真結果，對模型和算法進行改進，以獲得更優的操縱策略進一步提高重載列車運行的安全性和效率。
2.4 項目服務期：合同簽訂后24個月（730日歷天）
3.投標人資格要求
3.1 資質條件和業績要求：
【1】資質要求：投標人須為依法注冊的獨立法人或其他組織，須提供有效的證明文件。
【2】財務要求：/
【3】業績要求：2020年10月至投標截止日（以合同簽訂日期為準），投標人須至少具有機車自動駕駛研究類或軌道交通平臺研究類業績1份。投標人須提供能證明本次招標業績要求的課題相關證明或項目合同掃描件，合同掃描件須至少包含：合同買賣雙方蓋章頁、合同簽訂日期、業績要求中的關鍵信息頁。
【4】信譽要求：/
【5】項目負責人的資格要求：項目負責人1名，須具有副高級及以上技術職稱，并提供證明材料。
【6】其他主要人員要求：/
【7】科研設施及裝備要求：/
【8】其他要求：/
3.2 本項目接受聯合體投標。 聯合體組成單位不得超過2家。
4.招標文件的獲取
招標文件開始購買時間2025-10-27 09:00:00，招標文件購買截止時間2025-11-03 16:00:00。
欲購買招標文件的投標人請聯系辦理入圍供應商事宜,開通后根據招標公告的相應說明在線完成招標文件的
購買!為保證您能夠順利投標，具體要求及購買標書流程請聯系 010-68818478
詳情請咨詢
聯系人：劉工
手機：13681557910 (微信同號)
郵箱：1490789738@qq.com
