For the operational efficiency improvement of trains in railway transportation, Autonomous Train Control System (ATCS) is getting widespread research attention. The station is a main scenario for the autonomous train operation, and its passing capacity is one of the critical factors affecting the further release of line capacity potential for railway lines. Based on this, the paper proposes an autonomous route management system to enhance the efficiency of route management in stations. As a safety critical system, the functional safety and performance analysis of the system must be evaluated before it is implemented in practical application. Hence, Colored Petri Nets (CPNs) are used to formalize and evaluate the system. Afterward, based on the proposed CPNs models, functional safety is carried out by dynamic attribute analysis and computational tree logic. Moreover, considering the impact of communication delays and processing delays on the route resource allocation, a performance analysis of the autonomous route process for trains at the station is implemented through practical parameterizations. The results indicated that the proposed autonomous route management strategy can reduce the train operating time and train arrival interval in stations by 15.63 s and 24.9 s, respectively.

The timetable is vulnerable to the impact of emergencies such as severe weather and equipment faults, potentially disrupting train services. Swift and efficient timetable adjustments are crucial for maintaining the operational efficiency of high-speed railways (HSRs). This study introduces a railway traffic management advisory system (RTMAS) tailored for high-speed trains, aiding dispatchers in the rapid rescheduling of timetables during emergencies. The RTMAS's structure and its emergency handling protocols are designed with an emphasis on human-in-the-loop and user-friendly principles. The core modules, including risk event scenarios, delay time prediction, expert systems, rescheduling scheme generation, and strategy evaluation systems, and their functions are given from the whole process of the dispatchers' emergency responses. The system employs metaheuristic algorithms and deep reinforcement learning (DRL) for predicting delays and generating rescheduling plans. A practical examination of the Beijing-Shanghai HSR Line validates the effectiveness of the RTMAS. The results indicate that the system not only furnishes dispatchers with near-optimal rescheduling solutions but also markedly diminishes total delays and the number of trains impacted by emergencies.