Inefficient transport systems impose extra travel time for travelers, cause dissatisfaction and reduce service levels. In this study, the demand-oriented train scheduling problem is addressed using a robust skip-stop method under uncertain arrival rates during peak hours. This paper presents alternative mathematical models, including a two-stage scenario-based stochastic programming model and two robust optimization models, to minimize the total travel time of passengers and their waiting time at stations. The modeling framework accounts for the design and implementation of robust skip-stop schedules with earliness and tardiness penalties. As a case study, each of the developed models is implemented on line No. 5 of the Tehran metro, and the results are compared. To validate the skip-stop schedules, the values of the stochastic solution and the expected value of perfect information are calculated. In addition, a sensitivity analysis is conducted to test the performance of the model under different scenarios. According to the obtained results, having perfect information can reduce up to 16% of the value of the weighted objective function. The proposed skip-stop method has been shown to save about 5% in total travel time and 49% in weighted objective function, which is a summation of travel times and waiting times as against regular all-stop service. The value of stochastic solutions is about 21% of the value of the weighted objective function, which shows that the stochastic model demonstrates better performance than the deterministic model.

中文翻译：

---

带有提前和拖后惩罚的鲁棒跳停调度的多目标优化模型

效率低下的运输系统给旅行者增加了旅行时间，引起不满并降低了服务水平。在这项研究中，在高峰时段到达率不确定的情况下，使用鲁棒的跳停方法解决了面向需求的火车调度问题。本文提出了可供选择的数学模型，包括基于阶段的两阶段随机规划模型和两个鲁棒的优化模型，以最大程度地减少乘客的总出行时间及其在车站的等待时间。该建模框架负责设计和实施具有提前性和拖延性惩罚的健壮的跳停计划。作为案例研究，每种开发的模型都在德黑兰地铁的5号线实施，并对其结果进行了比较。要验证跳过时间表，计算随机解的值和理想信息的期望值。另外，进行了敏感性分析以测试模型在不同情况下的性能。根据获得的结果，拥有完善的信息最多可以减少加权目标函数值的16％。事实证明，提出的跳过停车方法可节省约5％的总行驶时间，并节省49％的加权目标函数，这是与常规的一站式服务相比，行驶时间和等待时间的总和。随机解的值约为加权目标函数值的21％，这表明随机模型表现出比确定性模型更好的性能。进行敏感性分析以测试模型在不同情况下的性能。根据获得的结果，拥有完善的信息最多可以减少加权目标函数值的16％。事实证明，提出的跳过停车方法可节省约5％的总行驶时间，并节省49％的加权目标函数，这是与常规的一站式服务相比，行驶时间和等待时间的总和。随机解的值约为加权目标函数值的21％，这表明随机模型表现出比确定性模型更好的性能。进行敏感性分析以测试模型在不同情况下的性能。根据获得的结果，拥有完善的信息最多可以减少加权目标函数值的16％。事实证明，提出的跳过停车方法可节省约5％的总行驶时间，并节省49％的加权目标函数，这是与常规的一站式服务相比，行驶时间和等待时间的总和。随机解的值约为加权目标函数值的21％，这表明随机模型表现出比确定性模型更好的性能。事实证明，提出的跳过停车方法可节省约5％的总行驶时间，并节省49％的加权目标函数，这是与常规的一站式服务相比，行驶时间和等待时间的总和。随机解的值约为加权目标函数值的21％，这表明随机模型表现出比确定性模型更好的性能。事实证明，提出的跳过停车方法可节省约5％的总行驶时间，并节省49％的加权目标函数，这是与常规的一站式服务相比，行驶时间和等待时间的总和。随机解的值约为加权目标函数值的21％，这表明随机模型表现出比确定性模型更好的性能。