Project DADA. © chair of Francesco Corman, IVT, ETH Zurich

Prof. Dr. Francesco Corman | Sistemi di trasporto

DADA: Dynamic Data Driven Approaches for Stochastic Delay Propagation Avoidance in Railways

Ridurre i ritardi ferroviari, la loro variabilità e propagazione, considerando l’esercizio come un processo stocastico e considerando esplicitamente i ritardi attuali e possibili in futuro.

L’obiettivo di questo progetto è sviluppare un insieme di approcci algoritmici interconnessi che migliorino l’esercizio ferroviario attraverso il coordinamento del traffico in tempo reale, riducendo i ritardi, la loro variabilità e la loro propagazione attraverso la rete. Questi approcci supporteranno i responsabili della circolazione dei treni nell’aggiornamento in tempo reale del traffico ferroviario, per ridurre al minimo l’effetto dei treni in ritardo. Il cambiamento di paradigma consiste nell’andare oltre l’assunto comunemente accettato del determinismo e della piena certezza per quanto riguarda la modellizzazione dell’esercizio ferroviario attuale e futuro, e, invece, nel considerare esplicitamente l’esercizio ferroviario in modo stocastico, sulla base della grande quantità di dati attualmente disponibili sull’esercizio passato.

Ciò richiede una sostanziale rielaborazione dell’intera catena di strumenti algoritmici disponibili allo stato dell’arte per il coordinamento della circolazione ferroviaria e pone quindi notevoli sfide di modellazione, algoritmiche e computazionali. L’approccio inizia con la descrizione probabilistica degli impatti di possibili ritardi futuri: più precisamente, se uno specifico ritardo aumenta, se si propaga attraverso il sistema, se innesca ulteriori ritardi, o se semplicemente scompare, e l’ulteriore impatto di questo ritardo sull’esercizio. Ciò significa determinare quale scenario possibile potrebbe verificarsi e con quale probabilità, dato lo stato attuale del sistema. Le correlazioni e le interazioni tra i processi stocastici di ritardi e propagazione dei ritardi e la loro complessa evoluzione nel tempo sono presentate come modelli Bayesiani e/o di Markov. L’approccio identifica poi le migliori azioni di controllo per ridurre proattivamente i ritardi probabili, migliorando così la puntualità e l’affidabilità del sistema.

Questo richiede la soluzione di modelli di ottimizzazione matematica stocastica su larga scala (MILP) molto rapida (per essere compatibili con l’esercizio in tempo reale). Ciò sarà fatto utilizzando approcci di scomposizione che funzionano su piattaforme di calcolo parallele ad elevate prestazioni. Il valore aggiunto dell’approccio stocastico è la capacità di distinguere una piccola probabilità di un grande ritardo (che potrebbe disturbare l’intero sistema) da una grande probabilità di un piccolo ritardo (innocuo, dati i buffer disponibili) e di utilizzare queste informazioni per ottimizzare il sistema in modo appropriato.

Direzione

Prof. Dr. Francesco Corman

Finanziamento

SNF Eccellenza Grant

Durata del progetto

Inizio privavera 2019