Application of Predictive Analytics for Shunting Yard Delays
Tid: To 2023-06-15 kl 13.00
Plats: Kollegiesalen, Brinellvägen 8, Stockholm
Videolänk: https://kth-se.zoom.us/j/69650875724
Språk: Engelska
Ämnesområde: Transportvetenskap, Transportsystem
Respondent: Niloofar Minbashi , Transportplanering, Train Traffic and Logistics
Opponent: Professor Paola Pellegrini, Gustave Eiffel University
Handledare: Docent, visiting professor Markus Bohlin, Transportplanering; Doctor Behzad Kordnejad, Transportplanering; Assistant Professor Carl-William Palmqvist, Transportplanering, Division of Transport and Roads, Department of Technology and Society, Lund University
QC 20230522
Abstract
Ett av de huvudsakliga målen för att uppnå koldioxidneutralitet i Europa är att öka den modala andelen av godstransporter på järnväg. En av de stora utmaningarna är att övervinna uppfattningen om att godstrafik på järnväg har en låg tillförlitlighet och förutsägbarhet. Gods- och rangerbangårdar har en viktig roll i att tillhandahålla godståg med högre tillförlitlighet och förutsägbarhet. Avvikelser från godstågens planerade avgångstider från godsbangårdar påverkar i förlängningen andra tåg i järnvägsnätet. En högre förutsägbarhet vad gäller godstågens avgångstider från godsbangårdar innebär även en högre förutsägbarhet för tågens körning i nätverket.
Huvudfokus i avhandlingen är att tillämpa datadrivna metoder för att öka förutsägbarheten i godstågens avgångar från godsbangårdar. Deskriptiv analys har använts för att ge en ökad insikt över fördelningen av avgångar från godsbangårdar. Prediktiv analys har tillämpats för att utveckla prediktionsmodeller för avgångar. Slutligen används hybridmodellering för att integrera (koppla ihop) en prediktiv avgångsmodell med andra simuleringsmodeller för större tillämpningar. Doktorsavhandlingen omfattar fem publicerade forskningsartiklar från vilka resultaten presenteras.
I artikel I och II tillämpas deskriptiva analysmetoder för att undersöka sannolikhetsfördelningar för avgångsavvikelser och nätverkets inverkan på avgångsförseningar. Resultaten visar att fördelningar för positiva och negativa avvikelser skiljer sig mellan olika godsbangårdar. Dessutom påverkar fluktuationer i nätverkets utnyttjandegrad inom kortare tidsperioder avgångsförseningarna. Däremot påvisas ingen korrelation mellan nätverkets påverkan, här definierat som trängsel på ankomstbangården, och avgångsförseningar.
I artikel III tillämpas prediktiv analys genom att utveckla trädbaserade algoritmer för att klassificera status/tillstånden för avgångarna från en godsbangård. Avgångsstatus/avgångstillstånden är obalanserade, en majoritet av tågen är tidiga och en minoritet är försenade. Resultaten visar att prediktionen av försenade avgångar kan förbättras genom att tillämpa metoder för att hantera obalans i data.
De modeller som utvecklats i artikel III utvecklas och utökas vidare i artikel IV och V för att prediktera avgångsavvikelser med en kombinerad modelleringsmetod för två olika tillämpningar. I artikel IV introduceras ett koncept med en maskininlärningsassisterad makrosimuleringsmodell med syftet att integrera avgångsprediktioner från en godsbangård i en makroskopisk nätverkssimuleringsmodell och prediktera godstågens ankomster till nästa godsbangård. Resultaten indikerar en förbättring i prediktionsnoggrannhet jämfört med en grundläggande maskininlärningsmodell och en baslinjemodell för tidtabell.
I artikel V undersöks generaliserbarheten av avgångsprediktionsmodellen genom att tillämpa en ansats med en simuleringsassisterad maskininlärningsmodell och där modellen tränas på verklig data från godsbangårdar i Europa och simuleringsdata från Nordamerika. Resultaten visar att modellens prestanda generellt är god med båda datatyperna.