Моделирование поведения пассажиров транспортной сети

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:

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

Решение:

Имитационная модель общественного транспорта

Анимация модели и графики

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:

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:

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.

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.

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

Похожие проекты

Другие истории успеха