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).
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:
