• Krótsze i rzadsze opóźnienia pociągów to mniej frustracji i niezadowolenia
  • W zapobieganie wypadkom kolejowym wkraczają nowe technologie
  • Kolej przestawia zwrotnicę innowacji. Nowy kierunek: sztuczna inteligencja

„Opóźnienie pociągu może ulec zmianie” – brzmi komunikat, gdy oczekujesz na peronie z biletem w ręku. Trzeci raz w tym tygodniu. Bo „taki mamy klimat”, bo maszynista się spóźnił, bo inny pociąg nie dojechał na czas. Jak często jesteś sfrustrowany?

Opóźnienia w ruchu kolejowym mają wiele powiązanych ze sobą przyczyn. To np. awarie infrastruktury i usterki mechaniczne, niekorzystna pogoda, opóźnienia spowodowane przez pasażerów oraz nieoptymalny rozkład jazdy.

Same w sobie i łącznie utrudniają ocenę skutków i opracowanie łagodzących te zakłócenia rozwiązań.

Jak jest na naszych, rodzimych torach? 8 minut 55 sekund – tyle aktualnie wynosi średnie opóźnienie każdego pociągu w Polsce.

W sumie w pierwszym kwartale br. na terenie kraju aż 85 tys. 701 pociągów przyjechało po czasie (na 424 tys. połączeń). Statystyki zaniżają pociągi Intercity (punktualnie do celu dociera co trzeci), ale i tak jest nieco lepiej – w 2010 roku łączny czas opóźnień pociągów pasażerskich w naszym kraju sięgnął… ponad 5 lat.

Eksperci pracują nad „inteligentnymi stacjami”, które będą zarządzane w zależności od przepływu pasażerów, a nastroje klientów będą śledzone poprzez analitykę wideo opartą na SI

Opóźnione pociągi denerwują miliony ludzi na całym świecie, a operatorzy niewiele są w stanie zrobić, aby je zminimalizować. Z pomocą przychodzą nowe technologie, sztuczna inteligencja wsiada do pociągu.

„Wykorzystanie aplikacji ze sztuczną inteligencją, opartych na uczeniu maszynowym, może pomóc operatorom kolejowym poprawić jakość usług poprzez umożliwienie inteligentnego i szybszego podejmowania decyzji” – uważa Amerykanin hinduskiego pochodzenia Naveen Joshi, założyciel i prezes start-upu zajmującego się dostarczaniem inteligentnego i innowacyjnego oprogramowania, publikujący w internetowym wydaniu londyńskiego „BBN Times” w charakterze eksperta od SI oraz publicysta Forbes Magazine. (W Indiach jedna trzecia pociągów jest wstrzymywana.)

A w Japonii?

Pociągi w Kraju Kwitnącej Wiśni spóźniają się rzadko, czasem o kilkanaście sekund. Wewnętrzne rozporządzenie Kolei Japońskich zakłada, że w przypadku trzęsienia ziemi o sile powyżej 6 stopni w skali Richtera pociąg może mieć 5 minut opóźnienia. W przeciwnym razie, gdy nastąpi ono z winy przewoźnika, kolej zwraca koszt biletu, a podróżny dostaje usprawiedliwienie dla pracodawcy i pismo z przeprosinami.

Odwrotne sytuacje wywołują nawet skandale. Gdy w 2017 roku pociąg relacji Tsukuba – Tokio odjechał 20 sekund przed czasem, władze kolei przepraszały całą Japonię.

W samym Tokio z ponad 80 linii kolejowych codziennie korzysta ponad 7 milionów ludzi.

Legendarna niezawodność kolei japońskiej nie jest jednak zawsze taka, jak się wydaje, a mitem jest informacja, że gdy roczne opóźnienie pociągów w Japonii przekroczy dwie minuty, zarząd kolei podaje się do dymisji. Spóźnienia pociągów również tam są obecnie coraz częstsze, choć nie tak dotkliwe dla pasażerów, jak gdzie indziej. Główny powód to zatłoczone pociągi. Ostatnie badanie przeprowadzone przez japońskie biuro kolejowe wykazało, że pasażerowie próbujący usilnie wsiąść do pociągów po zaplanowanym czasie odjazdu odpowiedzialni byli za prawie 50 proc. opóźnień.

Nie pchaj się Pan

Zatłoczenie peronów zauważył profesor Plamen Angelov z Uniwersytetu Lancaster w Wielkiej Brytanii. Stwierdził, że problemem w opóźnieniach jest głównie … zachowanie pasażerów. Gdy przyjeżdżają pociągi, ludzie tłoczą się wokół drzwi czekając na wejście do wagonu, co ogranicza przepływ osób wysiadających.

W swoim niedawnym projekcie wspólnie z zespołem naukowiec stwierdził, że obrazy z kamer zamontowanych już w wagonach i na peronach, można wykorzystać jako dane dla algorytmów, przeszkolone do wykrywania obiektów, takich jak ludzie, bagaż, wózki i rowery.

8 minut 55 sekund – tyle aktualnie wynosi średnie opóźnienie każdego pociągu w Polsce. W sumie w pierwszym kwartale br. na terenie kraju aż 85 tys. 701 pociągów przyjechało po czasie (na 424 tys. połączeń)

System następnie mierzy ruchy i pozycje tych obiektów względem drzwi pociągu lub linii bezpieczeństwa na peronie i wykorzystuje te informacje do przewidywania problemów. Kamery w wagonach wykrywają, jak zatłoczone są poszczególne wyjścia, gdy pociąg zbliża się do stacji. Jednocześnie kamery na peronie monitorują pasażerów oczekujących na przybycie pociągu.

Dwa zestawy danych można następnie porównać i na tej podstawie ostrzec o prawdopodobnych przeciążeniach w danych sektorach. Dzięki temu pasażerowie – zwłaszcza ci na peronie – mogą być kierowani do drzwi, które będą mniej zatłoczone np. za pomocą diod „led” wzdłuż platform, które świeciłyby w różnych kolorach w zależności od sygnału. Algorytmy analizy wideo byłyby osadzone w małych urządzeniach elektronicznych wbudowanych w kamery. Obecnie zespół prof. Angelova wspólnie z firmą Digital Rail testuje to rozwiązanie.

Gdzie wsiada SI?

Zdaniem Joshi, inteligentne systemy mogą wydajnie wspierać przewidywanie opóźnień pociągów. Tak właśnie dzieje się w Japonii: duże ilości danych historycznych, wraz z danymi dotyczącymi pozycji i osiągów w czasie rzeczywistym, są przez aplikacje stale analizowane dla każdego składu.

Pozwala to operatorom minimalizować wpływ jednego opóźnionego pociągu na rozkłady jazdy innych. Również pasażerowie są na bieżąco informowani o utrudnieniach.

W 2016 roku Fujitsu nawiązał współpracę z firmą Jorudan, wcześniej zajmującą się tworzeniem gier, a obecnie dostawcą najpopularniejszej w Japonii aplikacji do planowania przejazdów. Obejmuje ona wszystkie publiczne środki transportu. Funkcjonalność ta jest udostępniana jako usługa chmurowa. Zawiera ona mechanizm przewidywania czasu opóźnienia – opracowany wspólnie z SRI International, jedną z najbardziej znanych na świecie organizacji badawczych z siedzibą w Dolinie Krzemowej.

Wszystkie informacje są dostarczane w czasie rzeczywistym. System z większą dokładnością prognozuje opóźnienia na podstawie historycznych danych o przepełnieniach pociągów, pogodzie, opóźnieniach w godzinach szczytu i wzajemnej korelacji środków transportu na danej trasie.

Fujitsu dąży do rozszerzenia usługi zarówno w Japonii, jak i poza nią.

Adres filmu na Youtube: https://www.youtube.com/watch?v=kZagNw9T64E

Optymalizacja transportu publicznego
Źródło: Fujitsu / YouTube

Z kolei Siemens nawiązał współpracę z niemieckimi kolejami w celu wdrożenia systemu analizy danych mobilności kolei w Berlinie. Przewiduje on zapotrzebowanie na pociągi w oparciu o dane z aplikacji do planowania podróży HaCon. Siemens rozwija uczenie się maszyn i transferowanie ich wniosków do modelowania najlepszych rozkładów jazdy.

Jaka następna stacja?

Wyszkolone maszyny mogą też wspomagać obsługę techniczną pociągów. Mogą na przykład informować o zbliżających się awariach. Ale główne zadanie dla sztucznej inteligencji to przede wszystkim optymalizacja harmonogramów jazdy pociągów.

„Ogromna ilość danych zbieranych i analizowanych w czasie rzeczywistym (…) może pomóc w dokonaniu długoterminowych usprawnień, takich jak planowanie połączeń i nowych tras, optymalizację wykorzystania dostępnych pociągów i związanej z nimi infrastruktury. Można je przeplanować lub zaprojektować nowe trasy” – zauważa Joshi.

Eksperci pracują także nad „inteligentnymi stacjami”, które będą zarządzane w zależności od przepływu pasażerów, a nastroje klientów będą śledzone poprzez analitykę wideo opartą na SI.

Ruszyła dalekobieżna maszyna

Tokijski Instytut Badań Technicznych Kolei (RTRI) i Szwajcarska Kolej Federalna SBB od kilku lat badają wykorzystanie sieci neuronowej i wzmocnionego uczenia maszynowego do eliminowania opóźnień pociągów i optymalizacji rozkładów jazdy.

Eksperci SBB wirtualnie symulują ruch pociągów. Z ludźmi monitorującymi postępy, maszyny uczą się na błędach w systemie wirtualnym

Jest nad czym myśleć. Codziennie SBB zarządza 10 tys. 671 pociągami, przewożąc 1,26 mln pasażerów na 3 tys. 232 km torów. Ma też najdłuższy tunel kolejowy na świecie, utrzymuje ponad 300 innych tuneli i 6 tys. mostów.

Intensywne obliczenia wymagają wydajnych aplikacji i komputerów. SBB zintegrowało całe oprogramowanie symulacyjne i sprzęt w NVIDIA DGX-1, serwerze pracującym z prędkością mierzoną w petaflopsach.

Sklonowali całą kolej

Dział Badań i Rozwoju SBB opracował cyfrowego bliźniaka szwajcarskiej sieci kolejowej wykorzystującego uczenie głębokie i symulację na platformie DGX.

„Digital Twin” to wysokowydajna kopia istniejącego szwajcarskiego systemu kolejowego, w której szkolą się sieci neuronowe. Eksperci SBB wirtualnie symulują ruch pociągów, dane historyczne i możliwe zdarzenia.

Z ludźmi monitorującymi postępy, maszyny uczą się na błędach w świecie wirtualnym. Dzięki tak potężnemu połączeniu sprzętu i oprogramowania symulacja całego jednodniowego ruchu kolejowego w Szwajcarii trwa 0,3 sekundy. Systemy sztucznej inteligencji umożliwiają operatorom SBB skrócenie czasu decyzji, dostarczenie odpowiednich informacji pasażerom i dyspozytorom pociągów oraz optymalizację rozkładu tak, by było jak najmniej opóźnień.

Wypadki chodzą po pociągach

Mimo że kolej to najbezpieczniejszy na świecie środek transportu, wypadki się zdarzają. Błąd ludzki, wady konstrukcyjne i zużycie torowisk mogą doprowadzić do katastrofy. Wykolejenia pociągów i wypadki mogą spowodować opóźnienia, poważne szkody, a nawet utratę życia. Nowe technologie mają im zapobiegać.

Na czym będą polegać rozwiązania przyszłości? Drony śledzące tory kolejowe z powietrza mogą wykryć tak drobne pęknięcia i wady konstrukcyjne, że nie widzi ich z bliska ludzkie oko. Inteligentne systemy umożliwią kontrolę pociągu w czasie rzeczywistym, w którym system może automatycznie spowolnić pociąg, jeśli porusza się szybciej niż powinien lub jeśli na torach występują usterki. O takich rozwiązaniach myślą już przewoźnicy w Stanach Zjednoczonych.

Pociągi ultradiagnostyczne

Szwajcarzy już wykorzystują technologię głębokiego uczenia się do poprawy wykrywalności i klasyfikacji usterek na torach. SBB używa pociągów „diagnostycznych”, wyposażonych w wiele kamer o wysokiej rozdzielczości i innych czujników, aby uzyskać obrazy torów podczas jazdy z prędkością do 160 km/h. Do 2020 roku SBB planuje inspekcję ponad 3 tys. torów. Sensory rejestrują różne dane, np. warunki pogodowe (deszcz, śnieg, lód) i artefakty (liście, brud itp.), a przetwarzane są przez Centrum Superkomputerowe SCS w Zurychu.

Skip to content