不确定的资源重新开放时间会在资源关闭与列车到达延误、加工时间延长同时出现时，使列车滞留和改道决策复杂化。我们提出一种滚动时域的分布鲁棒模型，随着对扰动消解的观测逐步更新剩余关闭时长的预测。模型同时优化列车路径、顺序和时刻，目标是在概率情景集合的模糊集上最小化最坏情形的期望总完成延误。求解算法 GNN‑LBBD 采用基于逻辑的 Benders 分解，将路径规划与资源调度耦合。条件割由资源使用模式构造，图神经网络决定资源松弛子问题的求解顺序。实验在五轨车站的 28 组实例上进行，GNN‑LBBD 的平均总完成延误为 61.13 列车‑分钟，比禁忌搜索低 16.63%，比变量邻域搜索低 20.06%，且平均计算时间接近禁忌搜索。对六个代表性实例的信息比较表明，利用扰动消解的观测可将平均总完成延误降低约 21.7%。在相同信息条件下，基于情景的预测和条件均值预测的整体结果相近。信息收益在具备备选路线的实例中更为显著，暗示观测利用、站点资源结构与调度调整空间之间存在关联。
点评