Prof. Dr. Francesco Corman | Systèmes de transport
DADA: approches dynamiques basées sur des données pour éviter la propagation stochastique de retards dans le trafic ferroviaire [Dynamic Data Driven Approaches for Stochastic Delay Propagation Avoidance in Railways]
Réduction des retards de trains, de leur variabilité et de leur propagation, étude de déroulements comme processus stochastiques, prise en compte explicite de retards actuels et futurs possibles
L’objectif de ce projet est le développement d’une série d’approches algorithmiques imbriquées pour améliorer l’exploitation ferroviaire par une gestion en temps réel du trafic et réduire ainsi les retards, ainsi que leur variabilité et leur propagation sur le réseau. Ces approches doivent aider l’opérateur à minimiser les conséquences de compositions de train retardées lors de l’actualisation en temps réel du trafic ferroviaire. Ce changement de paradigme doit aller au-delà de l’hypothèse couramment acceptée d’une sécurité indépendante des accidents et intégrale lors de la modélisation de l’actuelle et future exploitation ferroviaire et, au lieu de cela, prendre en compte de façon explicitement stochastique, l’exploitation ferroviaire sur la base de l’importante quantité de données d’exploitation actuellement disponibles.
Cela suppose une refonte globale de l’ensemble de la chaîne d’outils algorithmiques, à disposition – au niveau de la technique – de la régulation du transport ferroviaire et représente par conséquent d’immenses défis en matière de modélisation, d’algorithmes et de calcul. L’approche commence par une description, selon la théorie de la probabilité, des conséquences de possibles futurs retards; plus précisément, dans le cas où un certain retard augmente, se propage au système, déclenche des retards supplémentaires, ou bien se résorbe simplement, sans oublier les autres conséquences de ce retard sur l’exploitation. Cela suppose de déterminer quel potentiel futur pourrait se présenter, et selon quelle probabilité, dans l’état actuel du système. Les corrélations et interactions entre processus stochastiques de retards et propagations de retards et leur complexe évolution dans le temps sont modélisées sous forme de processus Bayes et/ou Markov. À la fin, ce procédé identifie les meilleures mesures de contrôle pour réduire de façon proactive des retards vraisemblables et améliore ainsi la ponctualité et la fiabilité du système.
Cela nécessite une solution extrêmement rapide de modèles d’optimisation stochastiques mathématiques (MILP) pour être compatible en temps réel avec des opérations d’exploitation. L’ensemble se fait au moyen d’approches décomposées sur des plates-formes informatiques hautes performances parallèles. La valeur ajoutée de l’approche stochastique consiste à distinguer entre la faible probabilité d’un important retard (pouvant perturber l’ensemble du système) et un petit retard (plutôt inoffensif étant donné le tampon disponible) et à utiliser ces informations pour l’optimisation correspondante du système.
Direction
Financement
SNF Eccellenza Grant
Durée du projet
Début printemps 2019
