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).
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.
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.
