相互关联的延迟效应的模拟和国际合作的需要

来源:ÖBB/哈拉尔德·艾森伯格

目前欧洲铁路系统的延误管理主要包括从已经发生的延误中得出适当的结论(以指定的延误代码为特征)，得出观测到的影响的可能原因，从而导致未来的改进。预测可预防的延误并立即采取行动的做法还不是处理问题的默认方式。然而，这将比目前的反应性方法带来更好的结果。

建立预防过程

作为ÖBB Personenverkehr AG战略能力管理计划的一部分，我们首次尝试确定是否有可能以足够的准确性进行这种预测。此外，我们希望建立基于模拟结果的预防过程。我们在本文中报道的试验的目标是使用给定的时间表、已知的铁路网、计划和报告的影响因素(例如，建筑工地和慢行地区)。试验通常还使用预期影响(如超过停车时间和来自邻国的延误)作为计算和模拟逻辑中的变量，以估计由此产生的总体延误。

经过初步评估后，我们决定使用基于代理的建模，因为这种方法与任务的性质相匹配，而且还可以实现相对节省资源的模拟过程。该模拟将每列火车视为一个独立的移动代理，根据时刻表在铁路网中移动(限制运动自由度)，并尽可能地遵守这一要求。这些移动代理受到延迟输入的影响，并且移动代理在稀缺的基础设施上相互影响。

理解延迟

这些延误的原因在地理上被分配到基础路线上，然后分配到经过这些路线的列车上(实际上)。根据延迟的影响，它可以是一个固定值(在统计可变性范围内)，也可以是一个计算值(例如在速度限制的情况下)。此外，每趟延误的列车都会消耗该路线上提供的时刻表储备，直到列车再次准点。在这个模拟中，每列列车在运输网络中的位置(更准确地说，是在一个路线区段中)，为模拟时间框架中的每个点计算。在此基础上，推导了列车间的相互影响。这可能会导致单轨线路上的堵塞(等待对面的火车)。此外，如果每个方向上只有一条轨道，则可以计算出两列火车之间的近似最小距离。

除了本文后面描述的技术解决方案之外，作为这个项目的一部分，我们还必须根据延迟影响的特征开发自己的延迟影响分类公式。这是必要的，因为延迟代码适用于事后分析，而不适用于因果评估。

实现原型

我们最终使用关系数据库和经典程序代码实现了这个原型作为数值模拟。我们选择了这种技术上相当简单的方法，因为由于时间表和铁路网等严格的规范，环境已经限制到这样的程度，基于代理的建模框架只能在有限的范围内展示它们的优势。将这些限制编码到典型的框架中会产生大量的工作，这与所获得的好处是不相称的。然而，我们也放弃了模拟轨道交通的专门解决方案，因为我们正在处理不同粒度的异构输出数据，而且大多数这些工具都需要物理上精确的路线映射，这是一项艰巨的任务。此外，我们希望实施这个原型，它应该澄清技术方法是否适合，甚至不与制造商或许可证挂钩。

来源:ÖBB/哈拉尔德·艾森伯格

总结基于代理的模型

总之，所选择的基于代理的模型方法效果非常好，为不同场景或初始条件下的延迟发展和动态提供了新的见解，因此有可能支持预防性避免由于操作过程中的适当措施造成的延迟。从技术角度来看，其中的挑战(尤其是在使用内存数据库时)并不是太苛刻，可以使用普通硬件(不需要gpu)模拟整个奥地利铁路交通。

我们看到了更高并行化的潜力(更好地利用多个处理器核心)。然而，由于相互依赖，这实现起来更加复杂，只有在需要实时模拟时才有意义。

对数据科学的需求

与模拟项目一样，挑战在于数据、数据的可用性和适用性。所需的数据通常是可用的，但首先必须为在模拟中使用做好准备。否则，可能会缺少必要的细节。这是“下游”数据使用的典型挑战，因为这些数据最初是为不同的目的收集的。对数据科学的需求也很快变得明显起来，不仅要计算假设和派生的影响，还要实际地将它们分配给代理(例如，每日依赖关系和季节性)。

COVID-19的影响

我们还必须考虑到…的影响新型冠状病毒肺炎很难比较模拟和现实。通常情况下，人们以一种模拟未来几天的方式进行模拟，然后将其与已经发生的现实进行比较。然而，就我国而言，这种情况不断变化(奥地利在测试期间进入封锁状态)，其他框架条件(紧急分配服务、时间表变化等)也在不断变化。在这种情况下，可以证明模拟模型的近似适用性，但只有在常规时间表和标准条件恢复时才可能进行详细分析。

意想不到的挑战

即使没有大流行，在单列火车的水平上进行模拟和延迟编码的比较也比预期更具挑战性。这是由于结果的获取路径或数据创建过程不同，在比较这两个信息源时，导致缺乏清晰度。有时，即使是最小的计划外延迟——没有包括在模拟中——也足以产生巨大的偏差结果。

在估计国际交通延误方面，一个很大的不确定因素是延误的过境情况，目前还没有充分精确的数据交换。理想情况下，从邻国类似的模拟活动中获得的估计将有助于进行更准确的模拟。通过电子接口(不同于报告的延误或宣布的限制)进行国际标准化的模拟结果交换将有利于欧洲铁路交通。

下一个步骤

进一步发展这个预测模型的下一步是提高数据基础的广度和深度。此外，人们需要越来越多地将数据科学的逻辑和其他影响纳入模型，这些影响更容易受到历史数据和模式的估计和推导。