Моделирование поведения пассажиров транспортной сети

Проблема:




В сфере общественного транспорта Австралии происходят большие изменения, вызванные ростом населения. Они требуют межтранспортной интеграции и серьезных государственных затрат на улучшение инфраструктуры. Чтобы оценить объем предстоящей работы, компаниям из сферы общественного транспорта нужно лучше понимать не только поведение самих транспортных сетей, но и то, как видят работу транспорта пассажиры. Информацию для подобного исследования можно собрать благодаря получившим широкое распространение смарт-картам.


Один из операторов общественного транспорта нанял PwC Australia для создания модели железнодорожной сети, которая отражала бы поведение каждого отдельного пассажира. Модель должна была помочь оценить влияние аварий на работу сети, и понять, как можно улучшить ситуацию. В частности, компания хотела:

  • Понять потенциальное число пассажиров, на которых оказывают влияние аварии (сход поездов с рельсов, выход из строя двигателей, несчастные случаи).
  • Увидеть общую картину аварий, происходящих в железнодорожной сети, чтобы лучше понимать её поведение в такие моменты.
  • Предоставить пассажирам точный прогноз задержек, связанных с авариями, исходя из того, где именно возникла проблема.
  • Получать информацию для принятия решений относительно работы и ремонта сети после аварии: планирование времени ожидаемого отклика, расположение персонала и приоритизация аварий.
  • Понять причины особых типов аварий, например, почему определённых инцидентов всегда больше на определённом участке или конкретном типе подвижного состава.

Консультанты PwC построили модель транспортной сети, которая воспроизводит движение поездов, аварии и поведение пассажиров на станциях и в поездах.


Решение:




Для создания модели специалисты PwC выбрали AnyLogic за его способность комбинировать разные методы имитационного моделирования в одной модели. В данном случае было нужно смоделировать движение поездов (дискретно-событийное моделирование) и поведение пассажиров (агентное моделирование). Также важно было и то, что построенную в AnyLogic модель впоследствии можно будет дополнить и расширить, а также приспособить её к планам по развитию сети и проверить ее работу в новых условиях.


Входные данные для модели были получены от транспортной компании, правительства и из общедоступных источников. Среди этих данных:

  • Конфигурация сети (семафоры, устройство путей, станций и платформ).
  • Данные о поездах (конфигурации и вместимость вагонов).
  • Расписания (маршруты, типы и количество вагонов).
  • Инструкции для устранения неполадок на железной дороге и нормы поведения при высоких температурах, включая ограничения скорости.
  • Данные об авариях и их виды.
  • Данные пассажиров (статистика использования смарт-карт).

Имитационная модель общественного транспорта

Анимация модели и графики

График движения поездов

График движения поездов

Логика движения поездов была воссоздана с помощью железнодорожной библиотеки AnyLogic и ее особых компонентов, созданных специалистами PwC.


Прежде всего, модель дала представление о пассажирах на станциях. Стало понятно, сколько пассажиров в конкретный момент ждет поезда на каждой станции и в каком направлении они поедут. Также было подсчитано число пассажиров в каждом поезде.


Более важным результатом стала возможность анализировать, каким образом и как быстро устраняются последствия аварий на железной дороге. Аварии приводят к длительным задержкам в движении поездов, особенно в часы пик. Иногда требуется несколько часов, чтобы полностью восстановить нормальную работу железной дороги после инцидента и привести движение поездов в соответствие с расписанием. Поэтому было важно построить в модели график аварий (см. рисунок), который наглядно демонстрировал длину эффекта каждого инцидента на всю сеть и позволял тестировать и сравнивать разные стратегии устранения неполадок.


Главными полученными статистическими данными стали потерянные пассажиром минуты (Lost Customer Minutes (LCM)), подсчитанные как сумма минут дополнительного ожидания для всех пассажиров на определённом поезде или отрезке сети. Было важно оценить LCM в контексте тех ситуаций, когда эти минуты были потеряны (например, минуты, потерянные в час пик и в выходные, оценивались по-разному).


Данные на выходе включали график движения поездов, аналогичный тем, которые обычно используются диспетчерами (см. рисунок). Кроме того, специалисты PwC анимировали модель, используя карту ГИС, чтобы наглядно показать процессы, происходящие в системе. График поездов и анимация показали:

  • Расположение поездов на карте сети.
  • Двигались ли поезда по расписанию.
  • Могли ли поезда совершать обратные рейсы.

Результат:




Модель позволила посмотреть на систему глазами пассажиров и подсчитать потерянные ими минуты, связанные с задержкой транспорта. Это стало возможно благодаря агентному моделированию. Прежние расчеты потерянных минут строились на основании методов, ставивших во главу угла движение поездов, и тем самым сильно приуменьшали или преувеличивали количество потерянного времени.


Заказчики смогли оценить влияние аварий на поведение сети, протестировать и дополнить стратегии их устранения (например, расположить пункты скорой помощи в нужных местах, тем самым сократив период простоя транспорта из-за задержек, связанных со здоровьем пассажиров). Модель позволила вычислить, какие инциденты требуют более срочного вмешательства из-за большого числа пассажиров, теряющих время в связи с отсутствием транспорта. Кроме того, компания смогла разработать более продуманные планы инвестиций для развития и улучшения инфраструктуры.


Статистика LCM помогла установить компании цели и ключевые показатели эффективности, основанные на удовлетворённости пассажиров.

Презентация проекта Артёмом Парахиным из PwC Australia на конференции AnyLogic 2014.



В будущем консультанты планируют расширить модель, добавив в нее другие виды транспорта и элементы сети. В планах – модель физических перемещений пассажиров на станциях, которая поможет изучить проблему переполненности платформ.


Другие проекты

  • Планирование сети дистрибуции и оптимизация складских запасов на основе имитационного моделирования
    Diageo – это международная компания со штаб-квартирой в Великобритании, занимающаяся производством алкогольных напитков. Российское отделение компании входит в пятерку крупнейших оптовых дистрибьюторов алкогольных напитков в стране. Diageo требовалось решить несколько вопросов, в первую очередь, тот факт, что рост продаж не приводил к существенному увеличению прибыли из-за высокой стоимости перевозки единицы товара.
  • Проектирование системы морской транспортировки нефти в арктических условиях
    Новопортовское – крупное нефтегазоконденсатное месторождение, разрабатываемое компанией «Газпром нефть». Нефть с месторождения поступает по 100-километровому трубопроводу к морскому терминалу, откуда после отгрузки перевозится до потребителей на арктических танкерах. Главная проблема при организации морских перевозок с месторождения – тяжелые ледовые условия, затрудняющие судоходство.
  • Исследование автопотока возле проектируемого транспортно-пересадочного узла “Волоколамская”
    Территория строящегося транспортно-пересадочного узла станции метро "Волоколамская" расположена в районе Митино Северо-Западного административного округа Москвы. Компания "ИТС-консалтинг" получила задачу проверить работоспособность проектируемой улично-дорожной сети при пиковых нагрузках в утренний и вечерний часы с учётом перспективного роста автопотока до 2025 года. Заказчиком проекта выступило ГУП "Московский метрополитен".
  • Развитие сети складов компании «Эльдорадо»
    Компании «Эльдорадо», владеющей сетью магазинов бытовой техники и электроники в 350 городах РФ, требовалось определить оптимальное количество складов и города их расположения для лучшего удовлетворения спроса покупателей и минимизации затрат на доставку и хранение товара. Анализ показал применимость для этой проблемы решения anyLogistix.
  • Выбор оптимальных решений в транспортной логистике
    Транспортная сеть одной из крупных российский пивоваренных компаний включает в себя крупный парк вагонов и грузового автотранспорта, а также собственные склады в нескольких регионах России. Компания планировала снизить себестоимость продукции за счет сокращения издержек на перевозку продукции от заводов до клиентов.
  • Моделирование прокладки тоннеля с использованием тоннелепроходческого комплекса
    Цена часа простоя тоннелепроходческого комплекса обычно очень высока, и менеджеры делают всё возможное, чтобы избежать его остановок. Целью моделирования, проведенного в Рурском университете, стало создание инструмента для определения узких мест в процессах при прокладке туннелей, помогающего снизить потери при простоях.
  • Моделирование железнодорожных перевозок в порту
    Перед заказчиком стояла задача проектирования нового мультимодального терминала на территории порта. Мультимодальный терминал предназначен для обработки импортного и экспортного контейнерного грузопотока, перевозимого железнодорожным и речным транспортом. Для организации взаимодействия мультимодального и морских терминалов заказчик планировал использовать челночные отправки железнодорожных составов.
  • Оптимизация железнодорожной сети Франции
    Оператор железнодорожной сети Франции хотел узнать, смогут ли железнодорожные грузовые перевозки конкурировать с автомобильными грузоперевозками. Заказчик хотел повысить эффективность перевозок способом «автодорога-железная дорога-автодорога».
  • Моделирование железнодорожного депо
    Aurizon – крупнейший оператор железнодорожных перевозок Австралии. Компании принадлежат более 700 локомотивов и 16000 вагонов. Один из основных грузов Aurizon – полезные ископаемые, транспортируемые от мест добычи до портов. С целью увеличения оперативной эффективности компания приняла решение перенести депо по ремонту локомотивов и вагонов из одного города в другой.
  • Моделирование эффекта кнута в цепи поставок
    Управление цепочек поставок в компании Infineon, крупном производителе полупроводников, хотело исследовать эффект кнута в цепочке поставок с целью снижения расходов и улучшения качества прогнозов поведения рынка. Они использовали AnyLogic для построения модели цепочки поставок от поставщика сырья до конечного потребителя.