Blixten II
Blixten II
Projektstatus
PÄgÄende
Projektledare
Kategori/OmrÄde
Forskning inom datavetenskap
Behoven av och potentialen i att införa en större omfattning av berÀkningsfunktionalitet som stöd för proaktiv tÄgtrafikledning har blivit allt tydligare de senaste Ären. Det finns ett fÄtal system pÄ marknaden som utlovar berÀkningsfunktionalitet för att stödja optimerande, proaktiv styrning och planering i realtid vid olika typer av störningar. En sammanstÀllning av aktuellt kunskapslÀge visar dock dels att dessa system Àr utformade efter specifika kontexter, dels Àr erfarenheter av hur dessa fungerar i praktiken sÀllan publicerade.
I detta projekt vidareutvecklar vi de berÀkningsmetoder som utvecklats i TRANSFORM-projektet TRANSFORM och systematiskt utvÀrdera dessa experimentellt i ett antal fallstudier, som ska belysa mer praktiska aspekter kring framtida tillÀmpning av optimerande berÀkningsstöd i den operativa driften av (svensk) tÄgtrafik. Fokus Àr pÄ i huvudsak tre aspekter:
- KvalitetsmÄtt pÄ föreslagna omplaneringsÄtgÀrder
- BerÀkningseffektivitet
- Stabilitet
Med kvalitetsmÄtt avser vi definierade indikatorer som gemensamt illustrerar och kortfattat beskriver en lösnings förutsÀttningar och förvÀntade effekter. Med berÀkningseffektivitet avser vi algoritmens prestanda över tid och med stabilitet avser vi hur algoritmens prestanda varierar beroende pÄ typ och omfattning av störning.
För att bĂ€ttre förstĂ„ dels vilken typ av beslutstödjande funktionalitet och berĂ€kningsmetoder som krĂ€vs för att hantera olika typer av störningsscenarier, dels hur olika metoder presterar, sĂ„ har vi utvecklat ett ramverk för att klassificera, utvĂ€rdera och jĂ€mföra olika typer av algoritmer pĂ„ ett systematiskt sĂ€tt. Detta ramverk bestĂ„r av tvĂ„ delar. Den första delen syftar till att klassificera och beskriva respektive algoritms egenskaper och funktionalitet pĂ„ ett konceptuellt sĂ€tt, medan den andra delen syftar till att systematiskt analysera respektive algoritms prestanda utifrĂ„n ett antal kriterier och mĂ„tt. Detta ramverk har sedan tillĂ€mpats i projektets första fallstudie dĂ€r vi utvĂ€rderar tvĂ„ alternativa berĂ€kningsmetoder som utvecklats inom projektet. Den ena metoden utgörs av formell explicit matematisk optimeringsmodell som lösas med den kommersiella optimeringsmjukvaran Gurobi medan den andra Ă€r en skrĂ€ddarsydd algoritm av typen âgirighetsalgoritmâ. Girighetsalgoritmen arbetar enligt sökstrategin djupet-först (Depth-First Search, DFS). Detta innebĂ€r att först ska girighetsalgoritmen snabbt hitta en första bra tillĂ„ten omplaneringslösning och om det sedan finns tid kvar sĂ„ försöker den hitta förbĂ€ttrade alternativ till denna första lösning genom att söka vidare i söktrĂ€det. Ramverket, berĂ€kningsmetoderna samt utvĂ€rderingsstudien Ă„terfinns i sin helhet i artikeln ”An Evaluation Framework and Algorithms for Train Rescheduling” av Josyula et al. (2020).
Fakta
LĂ€ngd
Januari 2020 - April 2022
Kontaktperson
Partner och FinansiÀrer
Trafikverkets kontaktperson för projektet Àr Jerry Onmalm. Associerad till projektet Àr Àven Lars Lundberg, i rollen som bitrÀdande handledare till Sai. Projektets genomförs i samarbete med Shift2Rail-projektet FR8RailII.
Deltagare

Johanna Törnqvist Krasemann
Universitetslektor/docent

Sai Prashanth Josyula
BitrÀdande universitetslektor