Dynamische, datengesteuerte Ansätze zur Vermeidung einer stochastischer Ausbreitung von Verzögerungen im Eisenbahnverkehr

Ziel dieses Projekts ist, eine Reihe ineinandergreifender algorithmischer Ansätze zu entwickeln, die den Bahnbetrieb durch eine Echtzeit-Verkehrssteuerung verbessern, und so Verspätungen sowie deren Variabilität und Ausbreitung im Netz zu reduzieren. Diese Ansätze sollen die Fahrdienstleiter bei der Echtzeit-Aktualisierung des Eisenbahnverkehrs darin unterstützen, die Auswirkungen verspäteter Zugkompositionen zu minimieren. Dieser Paradigmenwechsel soll über die allgemein akzeptierte Annahme einer zufallsunabhängigen und vollständigen Sicherheit bei der Modellierung des aktuellen und künftigen Bahnbetriebs hinausgehen und stattdessen den Bahnbetrieb auf der Grundlage der grossen Menge an aktuell verfügbaren Daten über den bisherigen Betrieb explizit stochastisch betrachten.

Dies erfordert eine erhebliche Überarbeitung der gesamten Kette an algorithmischen Tools, die der Eisenbahnverkehrsregelung nach dem Stand der Technik zur Verfügung stehen, und stellt daher erhebliche Herausforderungen an Modellierung, Algorithmen und Berechnung. Der Ansatz beginnt damit, die Auswirkungen möglicher künftiger Verzögerungen wahrscheinlichkeitstheoretisch zu beschreiben; oder genauer gesagt, ob eine bestimmte Verzögerung zunimmt, sich im System ausbreitet, zusätzliche Verzögerungen auslöst, oder sich einfach auflöst, sowie die weiteren Auswirkungen dieser Verzögerung auf den Betrieb. Dies erfordert, zu bestimmen, welche mögliche Zukunft mit welcher Wahrscheinlichkeit beim aktuellen Zustand des Systems eintreten könnte. Die Korrelationen und Wechselwirkungen zwischen stochastischen Prozessen von Verzögerungen und Verzögerungsausbreitungen und deren komplexe zeitliche Entwicklung werden als Bayes- und/oder Markov-Prozesse modelliert. Anschliessend identifiziert dieses Vorgehen die besten Kontrollmassnahmen, um wahrscheinliche Verzögerungen proaktiv zu reduzieren und verbessert so die Pünktlichkeit und Zuverlässigkeit des Systems.

Dies erfordert eine äusserst schnelle Lösung grosser stochastischer mathematischer Optimierungsmodelle (MILP), um mit Betriebsabläufen in Echtzeit kompatibel zu sein. Dies geschieht mit Hilfe von zerlegten Ansätzen, die auf parallelen Hochleistungs-Computerplattformen laufen. Der Mehrwert des stochastischen Ansatzes besteht darin, die kleine Wahrscheinlichkeit einer grossen Verzögerung (die potentiell das gesamte System stören könnte) von der grossen Wahrscheinlichkeit einer kleinen Verzögerung (die angesichts der verfügbaren Puffer eher harmlos ist) zu unterscheiden und diese Informationen zur entsprechenden Optimierung des Systems zu nutzen.

07.2019 - 06.2024

SNF Eccellenza Grant