Modélisation d’un réseau de transport centré sur le client

Problème:




La sphère des services de transports publics en Australie fait l’objet d’une transformation, afin de répondre à des changements démographiques, ce qui requiert une intégration intermodale et un investissement majeur du gouvernement fédéral dans les infrastructures. Afin de mieux répondre à ces nouveaux défis, les compagnies de transport publiques doivent comprendre le comportement de leurs réseaux du point de vue du consommateur. L’usage largement répandu des cartes intelligentes dans les transports publics leur permettra de collecter les informations nécessaires pour conduire une telle recherche.


Une compagnie publique a fait appel à PwC Australie pour développer une solution fournissant une vue centrée sur le client de son infrastructure, afin d’aider ses dirigeants à comprendre les effets incidents actuels sur les opérations et à mieux voir comment améliorer les situations. Spécifiquement, la compagnie voulait:

  • Comprendre le nombre potentiel des clients affectés par un incident (par exemple un déraillement de train, une panne de moteur ou une urgence médicale).
  • Disposer d’une vue du réseau de haut niveau afin de comprendre les comportements du réseau lorsqu’ils se produisent.
  • Fournir aux usagers des prédictions plus exactes sur les retards liés à des incidents en fonction de leur position sur le réseau.
  • Servir de support aux décisions opérationnelles et de maintenance concernant les réponses aux incidents, y compris le planning des temps de réponse prévus, l’allocation des ressources et le classement des incidents par priorité.
  • Identifier les incidents spécifiques sur lesquels s’appuyer pour effectuer une analyse de cause profonde (root cause), pour découvrir par exemple, pourquoi certains incidents se produisent davantage dans certains lieux, ou sur un type de matériel roulant particulier.

PwC consultants a décidé de construire un modèle de réseau de transport qui simulerait les mouvements du train, les incidents et les clients présents dans les stations et dans les trains.


Solution:




Afin de construire le modèle, les consultants ont choisi le logiciel AnyLogic pour sa capacité à combiner diverses méthodes de simulation dans un seul modèle, ce qui était nécessaire pour modéliser avec succès les mouvements des trains (modélisation par événements discrets) et le comportement des consommateurs (modélisation basée sur les agents). La seconde raison était son extensibilité. Dans AnyLogic, il est facile d’étendre un modèle existant pour l’adapter aux plans de développement du réseau et voir comment le système fonctionnerait dans une nouvelle configuration.


Les données injectées dans le modèle ont été obtenues de sources variées, notamment la compagnie de transport, le gouvernement et les sources du domaine public. Elles comprenaient:

  • La disposition du réseau (signaux, géométrie de la voie, stations et plateformes).
  • Les données sur les trains (types de configuration du train et capacité par wagon).
  • Les tables d’horaires de trains (itinéraire, type de train et nombre de wagons).
  • Les règles d’exploitation pour remettre le réseau en route et pour les temps chauds, y compris les limites de vitesse.
  • Les données sur les incidents (types d’incidents).
  • Les données sur les passagers (les données issues des cartes intelligentes et les statistiques d’usage existantes).

Public Transportation Simulation Model

Model Animation and Graphs

Train Graph

Train Graph

La logique des mouvements des trains a été reproduite par les spécialistes de PwC à l’aide d’une bibliothèque ferroviaire d’AnyLogic, en prenant en compte les aspects spéciaux de ce projet.


Tout d’abord, le modèle offrait une vue des usagers dans les stations du réseau. Il montrait le nombre d’usagers actuellement en attente dans chaque station du réseau (y compris leur direction de trajet), et le nombre de passagers dans chaque train.


Mais le plus important était que le modèle a été conçu pour permettre à la société d’analyser le comportement et la durée de la récupération du réseau après incident. Si un incident se produit sur un train, cela pourrait générer un retard long et durable dans la grille des horaires, particulièrement pendant les heures de pointe. Cela pourrait prendre plusieurs heures pour que le réseau puisse entièrement se rétablir après l’incident et pour que tous les trains recommencent à rouler selon leur horaire prévu une fois que le problème initial a été résolu. C’est pourquoi il était essentiel que les résultats du modèle comprennent un Graphique des incidents du réseau (voir l’image) qui montre clairement la longueur de l’effet de chaque incident sur le réseau tout entier et permette aux usagers de tester et de comparer différentes politiques d’atténuation de l’incident.


Les principaux indicateurs collectés étaient les minutes perdues par les usagers (LCM), calculées comme la somme des minutes de retard pour tous les voyages individuels dans un train particulier ou un segment du réseau. Il importait d’analyser les LCM dans le contexte de situations où ces minutes avaient été perdues (par exemple, les minutes perdues pendant les heures de pointe et un week-end avaient des valeurs différentes).


Les résultats comprenaient le graphe du train, qui est une façon conventionnelle de représenter le mouvement du train dans un réseau (voir l’image). De plus, les consultants ont animé le modèle à l’aide d’une carte GIS pour présenter les processus qui se sont produits dans le système. Le graphique du train et l’animation du réseau montraient:

  • La position du train sur le réseau.
  • Si les trains roulaient conformément à la grille d’horaires.
  • Si les trains sont capables d’effectuer des voyages retour.

Résultats:




Le modèle a permis aux usagers d’obtenir un calcul des minutes perdues usager, centré sur le client, qui était plus précis que les méthodes traditionnelles centrées sur les trains, dont le LCM était sérieusement surestimé ou sous-estimé. Cette approche centrée sur l’usager a été rendue possible grâce à l’utilisation de la simulation basée sur les agents.


Les clients ont été capables de mesurer l’impact des incidents sur le comportement du réseau, et de tester et définir des politiques afin d’obtenir une atténuation de l’incident plus efficace (par exemple la mise en place d’équipes médicales de secours réparties en certains lieux pour assurer une aide médicale rapide afin de minimiser les retards liés aux affections de santé des passagers). Cela a également aidé à planifier les politiques de hiérarchisation des réponses à l’incident selon le nombre de passagers affectés. A l’aide du modèle de simulation, les utilisateurs ont pu évaluer leurs décisions d’investissement et commerciales en fonction de leur impact estimé sur les minutes d’usagers perdues.


De plus, le fait de placer les LCM comme un indicateur de retard centré sur le client a permis à la compagnie de transport de créer des objectifs et des KPI centrés sur le client dans sa propre structure.

Regardez la vidéo d’Artem Parakhine de PwC Australia présentant son étude de cas à la conférence AnyLogic de 2014:



Le prochain travail des consultants couvrira l’extension du modèle à d’autres formes de transport et aux éléments futurs du réseau. Ils prévoient également de simuler les mouvements physiques des passagers en tant que piétons dans les stations pour analyser les problèmes d’encombrement des plateformes.


More Case Studies

  • Simulation de la logistique du rail interne du Port du Havre
    Le port du Havre avait besoin d’aide pour construire un nouveau terminal multimodal. Il s’agissait de simuler le transfert des conteneurs entre les trains / péniches fluviales et les autres terminaux existants, qui transféraient eux-mêmes ces conteneurs en direction ou en provenance du transport maritime.
  • Optimisation du réseau ferroviaire français
    Le gestionnaire du réseau ferroviaire national voulait savoir si le transport de fret par rail pouvait être compétitif face au transport par camions. Il voulait rendre le transport par la voie camion-rail-camion plus efficace.
  • Simulation de la construction d’un tunnel à l’aide d’un tunnelier
    Le coût d’une heure d’arrêt d’un tunnelier (machine de forage de tunnel) est habituellement élevé et les gestionnaires de projet doivent s’efforcer d’éviter les retards dans la construction. Le but du projet de simulation, qui a été mené à l’université Bochum de la Ruhr en Allemagne, consistait à créer un modèle de simulation capable de déterminer les goulots d’étranglement dans les processus de construction du tunnel, afin de minimiser les pertes financières potentielles.
  • Modélisation de la capacité d’une gare de triage
    Aurizon est le premier opérateur de fret ferroviaire d’Australie, à la tête de plus de 700 locomotives et 16 000 wagons. Aurizon prend en charge le transport du charbon, du minerai de fer et des minéraux à grand échelle. Afin d’augmenter l’efficacité opérationnelle, l’entreprise a décidé de déplacer l’une de ses gares de triage dans une autre ville. Cette gare de triage gérait essentiellement l’entretien des wagons et des locomotives, ainsi que la préparation des locomotives.
  • Effet “coup de fouet” dans la chaîne d’approvisionnement des semi-conducteurs
    La direction de la chaîne d’approvisionnement d’Infineon, un gros fabricant de semi-conducteurs, voulait étudier l’effet coup de fouet affectant son marché afin de diminuer les dépenses et de mieux prévoir le comportement du marché. A l’aide du logiciel AnyLogic, elle a construit un modèle de chaîne d’approvisionnement, depuis les matières premières jusqu’au marché.
  • Sélection de la meilleure politique de gestion des stocks à l’aide de Gojii
    Les outils existants de gestion de la chaîne d’approvisionnement et les S&OP (Ventes et planning opérationnel) sont performants lorsqu’il s’agit de gérer l’approvisionnement afin de répondre à une «prévision» sélectionnée. Cependant, il n’y a pas de «prévision correcte» de la demande future, et les outils existants ne sont pas conçus pour sélectionner le meilleur niveau de demande pour l’entreprise. Il existe une «insuffisance d’outil» entre les données entrées sur les prévisions et la sélection du meilleur signal de demande (la "Prévision") pour gérer votre système S&OP. Gojii est l’outil créé par DecisioTech pour combler cette lacune.
  • Planification du réseau de distribution et optimisation du stock à l’aide de simulations
    Diageo est une entreprise multinationale britannique de boissons alcoolisées. Diageo Russie est l’un des cinq distributeurs majeurs de Russie de boissons alcoolisées en gros, une activité qui génère traditionnellement peu de marges, et dans laquelle le bénéfice est tributaire du niveau de service client et de coûts logistiques élevés. La société Diageo a cherché assistance auprès d’une société de conseil Amalgama, LLC, lorsqu’elle a dû faire face à une augmentation de son volume de ventes, sans pour autant réaliser de meilleurs profits du fait des coûts logistiques par unité.
  • Maximisation du revenu net par voyage d’une flotte de Bateau-pousseurs
    InterBarge, un opérateur nautique de première, affilié à SCF Marine, une partie du Groupe Seacor Holding, gère le fret le long de la voie fluviale HPP (Hidrovia Parana Paraguay, située en Argentine, au Paraguay, au Brésil et en Uruguay) au titre d’un contrat de transport dédié. Le défi de l’entreprise consistait à utiliser la capacité des bateaux non dédiée aux engagements contractuels comme une flotte, maximisant ainsi le revenu net par voyage.
  • CSX Solves Railroad Operation Challenges with and without AnyLogic Rail Library
    CSX is a US railroad company that operates about 21,000 route miles (34,000 km). AnyLogic allows the railroad industry users to simulate line-of-road, terminal, and yard problems. The following three projects, completed by CSX in 2014, covered a variety of tasks that were solved using AnyLogic software.
  • Simulation Modeling of Offshore Offloading System for Arctic Oil and Gas Condensate Field
    The Novoportovskoye oil and gas condensate field is located in the Yamal peninsula and owned by Gazprom Neft, the fourth largest oil producer in Russia. Oil from the field is transferred via 100km pipeline to the sea terminal at Cape Kamenny, where it is loaded into arctic cargo tanks for further transportation. The main issues in planning tanker transportation in an arctic region are the harsh ice environment and difficult sea conditions.