Artificial Intelligence applied to railway disruption management: From mathematical optimization to transformer architectures in the Portuguese operational context

Abstract

This thesis investigates how artificial intelligence can transform the management of operational disruptions in passenger railway systems, focusing on the Portuguese context of Comboios de Portugal (CP). The study begins by noting that literature is fragmented and overly dependent on linear optimization methods, which are poorly scalable and difficult to adapt to real scenarios, and that machine learning approaches remain underused. Developed under the Design Science Research paradigm, the investigation is organized into three complementary dimensions: analytic, predictive, and prescriptive. The first identifies methodo-logical and geographical gaps in 28 scientific studies, revealing a predominance of work centered in the Netherlands and the absence of models that integrate multiple operational resources. The predictive dimension applies advanced machine learning techniques (Random Forest, CNN, and RNN) to 89,338 operational records from CP, enabling the simultaneous prediction of the number of affected trains, total minutes of delay, and impacted passengers, achieving significant accuracy gains. The third dimension introduces a Transformer architecture adapted to the railway domain, using 371,668 records. The main innovation lies in semantic tokenization that preserves the hierarchical structure of operational tasks, enabling the prediction of complete sequences of rolling-stock tasks after disruptive events. This model outperformed traditional LSTM architecture, reducing valida-tion errors by 75% and demonstrating computational performance four times higher. The results show that deep learning approaches are more effective and scalable than classical deterministic methods. Practical applications include real-time decision-support systems capable of anticipating disruptions, optimizing rolling stock, and improving punctuality. The thesis estab-lishes new methodological foundations for integrating AI into railway management, strengthening the resilience and efficiency of transport. Keywords:

Esta tese investiga como a inteligência artificial pode transformar a gestão de perturbações opera-cionais nos sistemas ferroviários de passageiros, focando-se no contexto português da Comboios de Portugal (CP). O estudo parte da constatação de que a literatura é fragmentada e excessiv-amente dependente de métodos de otimização linear, pouco escaláveis e adaptáveis a cenários reais, verificando-se ainda uma subutilização de abordagens baseadas em machine learning. Desenvolvida segundo o paradigma de Design Science Research, a investigação organiza-se em três dimensões complementares: analítica, preditiva e prescritiva. A primeira identifica lacunas metodológicas e geográficas em 28 estudos científicos, revelando a predominância de trabalhos centrados nos Países Baixos e a ausência de modelos que integrem múltiplos recursos operacion-ais. A dimensão preditiva aplica técnicas avançadas de machine learning (Random Forest, CNN e RNN) a 89.338 registos operacionais da CP, permitindo prever simultaneamente o número de comboios afetados, total de minutos de atraso e passageiros impactados, alcançando ganhos sig-nificativos de precisão. A terceira dimensão introduz uma arquitetura Transformer adaptada ao domínio ferroviário, uti-lizando 371.668 registos. A inovação principal reside na tokenização semântica que preserva a estrutura hierárquica das tarefas operacionais, permitindo prever sequências completas de tarefas de material circulante após eventos disruptivos. Este modelo superou as arquiteturas LSTM tradi-cionais, reduzindo o erro de validação em 75% e demonstrando desempenho computacional quatro vezes superior. Os resultados evidenciam que abordagens baseadas em deep learning são mais eficazes e escalá-veis do que métodos determinísticos clássicos. As aplicações práticas incluem sistemas de apoio à decisão em tempo real capazes de antecipar perturbações, otimizar material circulante e melhorar a pontualidade. A tese estabelece novas bases metodológicas para integração de IA na gestão ferroviária, reforçando a resiliência e eficiência do transporte.