Modellierung eines kundenzentrierten Verkehrsnetzes

Problem:




Der Bereich des öffentlichen Transportwesens in Australien ist im Wandel - als Antwort auf die demographische Entwicklung - und wird eine intermodale Integration, sowie hohe Investitionen des Bundesstaates in die Infrastruktur erfordern. Um den neuen Anforderungen besser gerecht zu werden, müssen die öffentlichen Transportunternehmen das Verhalten ihrer Netzwerke aus Kundensicht verstehen. Der weitverbreitete Gebrauch von Chipkarten im öffentlichen Verkehr erlaubt diesen das Sammeln von Daten, die sie für die Durchführung einer solchen Untersuchung benötigen.


Ein öffentliches Verkehrsunternehmen wandte sich an PwC Australien, um eine Lösung zu entwickeln, die eine kundenzentrierte Sicht ihrer Bahninfrastruktur bot und dem Unternehmen dabei half, die aktuellen Störfolgen für den Betrieb des Eisenbahnnetzes zu verstehen, und die Situation zu verbessern. Das Unternehmen wollte vor allem:

  • Die potentielle Anzahl an Kunden kennen, die durch einen Zwischenfall (beispielsweise, eine Zugentgleisung, Motorausfall, medizinischer Notfall) betroffen wäre.
  • Eine übergeordnete Sicht des Netzwerkes auf die Zwischenfälle einnehmen, um die Reaktionen des Netzwerkes darauf bei ihrem Auftreten zu verstehen.
  • Kunden genauere Vorhersagen geben über Verspätungen im Zusammenhang mit Zwischenfällen, je nachdem, wo diese im Netzwerk auftreten.
  • Als Reaktion auf Zwischenfälle, Entscheidungen hinsichtlich Betrieb und Wartung unterstützen, insbesondere die Planung von erwarteten Antwortzeiten, der Einsatz von Ressourcen und die Priorisierung der Zwischenfälle.
  • Spezifische Zwischenfälle ausmachen, anhand derer eine Ursachenanalyse erfolgen kann, zum Beispiel, warum manche Zwischenfälle öfter an einem bestimmten Ort auftreten oder mit einem bestimmten Fahrzeugtyp auftreten.

Die PwC Berater entschieden sich, das Modell eines Transportnetzes zu erstellen, das Zugbewegungen, Zwischenfälle und Kunden in Bahnhöfen und Zügen simulierte.


Lösung:




Die Berater wählten für die Erstellung des Modells die AnyLogic-Software aufgrund ihrer Fähigkeit, verschiedene Simulationsmethoden in einem Modell zu kombinieren. Dies war notwendig, um sowohl Zugbewegungen (diskret-ereignisorientierte Modellierung), als auch Kundenverhalten (agentenbasierte Modellierung) zu modellieren. Der zweite Grund war die Skalierbarkeit. In der AnyLogic-Software kann ein bestehendes Modell leicht erweitert werden, um es an die Pläne für die Netzwerkentwicklung anzupassen, und um zu sehen, wie das System in einem neuen Aufbau funktionieren würde.


Die Eingangsdaten für das Modell stammten aus verschiedenen Quellen, insbesondere dem Verkehrsunternehmen, der Regierung, sowie öffentlich zugänglichen Quellen, und setzten sich zusammen aus:

  • Aufbau des Netzwerkes (Signale, Gleislage, Bahnhöfe und Bahnsteige).
  • Zugdaten (Arten der Zugausrüstung und Kapazität pro Eisenbahnwagen).
  • Zeitplan (Route, Zugart und Anzahl Eisenbahnwagen).
  • Betriebsregeln für die Wiederherstellung des Normalbetriebs des Netzwerkes, bei heißem Wetter, insbesondere Geschwindigkeitsbegrenzungen.
  • Daten von Zwischenfällen (Arten der Zwischenfälle). 
  • Passagierdaten (Daten von Chipkarten und vorhandene Statistiken über die Nutzung).

Public Transportation Simulation Model

Modellanimation und graphische Darstellungen

Graphische Darstellung Zug

Graphische Darstellung Zug

Die Logik der Zugbewegung wurde mit Hilfe der AnyLogic Rail Library reproduziert, sowie mit einigen kundenspezifischen Bibliothekskomponenten, die von den PwC Spezialisten erstellt wurden, unter Berücksichtigung der besonderen Aspekte dieses Projektes.


Zunächst zeigte das Modell die Netzwerksicht der Kunden an den Bahnhöfen. Es zeigt die Anzahl der aktuell wartenden Kunden an jedem Bahnhof des Netzwerks (insbesondere deren Reiserichtung) und die Passagieranzahl in jedem Zug.


Darüber hinaus wurde das Modell entwickelt, um dem Unternehmen die Möglichkeit zu bieten, das Verhalten und die Zeit für eine Wiederherstellung des Normalzustandes nach einem Zwischenfall zu analysieren. Bei einem Zwischenfall an einer Bahnlinie könnte es zu einer langanhaltenden Verspätung des Zeitplanes kommen, besonders während der Hauptverkehrszeiten. Nachdem das Ausgangsproblem gelöst wurde, könnte es mehrere Stunden dauern, bis das Netzwerk nach dem Zwischenfall wieder voll hergestellt ist und alle Züge wieder planmäßig starten. Aus diesem Grund war es wichtig, für das Modellergebnis eine Kurve für den Netzwerkzwischenfall mit einzubeziehen (siehe Bild), die deutlich die Länge des Effekts jedes Zwischenfalls auf das gesamte Netzwerk zeigte und die User dazu befähigte, verschiedene Strategien zur Minderung von Zwischenfällen zu testen und zu vergleichen.


Die wichtigste erfasste Metrik war die Anzahl der verlorenen Kundenminuten (LCM-Lost Consumer Minutes), die Summe aller Minuten an Verspätung für alle einzelnen Fahrten innerhalb eines bestimmten Zugs oder eines Netzwerksegments. Es war wichtig, LCM im Kontext der Situationen zu überprüfen, in denen diese Minuten verloren wurden (so hatten zum Beispiel Minuten, die während einer Hauptverkehrszeit und an einem Wochenende verloren wurden, unterschiedliche Werte).


Das Ergebnis beinhaltete eine graphische Darstellung des Zugs, was eine übliche Art der Darstellung für Zugbewegungen in einem Netzwerk ist (siehe Bild). Darüber hinaus animierten die Berater das Modell mit einer GIS-Karte, um die Prozesse, die in dem System auftraten, visuell darzustellen. Die graphische Darstellung des Zuges und die Netzwerkanimation zeigten:

  • Standort des Zuges im Netzwerk. 
  • Angabe, ob Züge fahrplanmäßig fuhren. 
  • Angabe, ob Züge Rückfahrten machen konnten.

Ergebnis:




Dank des Modells erhielten die User eine Kalkulation über die verlorenen Kundenminuten, in deren Fokus der Passagier war. Diese Kalkulation war viel genauer als traditionelle Methoden, in deren Fokus die Züge standen, was LCM entweder völlig über- oder unterbewertete. Dieser Ansatz, den Passagier in das Zentrum der Betrachtung zu stellen, war durch die Nutzung der agentenbasierten Simulation möglich.


Die Kunden konnten die Auswirkungen der Zwischenfälle auf das Netzwerkverhalten messen, um Strategien für eine effektive Minderung der Zwischenfälle zu entwickeln und zu testen (zum Beispiel, die Bildung von Notfall-Teams, die zwecks schneller medizinischer Hilfe auf verschiedene Standorte verteilt waren, um Verzögerungen für die Gesundheit der Passagiere minimieren zu können). Außerdem konnten Strategien für die Priorisierung der Reaktionen auf Zwischenfälle, entsprechend der Anzahl der betroffenen Passagiere, geplant werden. Mit Hilfe des Simulationsmodells konnten die User ihre Investitions- und Geschäftsentscheidungen entsprechend ihrer geschätzten Auswirkung auf verlorene Kundenminuten auswerten.


Außerdem konnte das Transportunternehmen mit Hilfe von LCM als der einzigen kundenorientierten Verzögerungsmetrik, kundenorientierte Ziele und KPIs innerhalb ihrer Struktur erstellen.

In dem Video von Artem Parakhine von PwC Australien werden diese Fallstudien anlässlich der AnyLogic Konferenz 2014 vorgestellt:



Die Arbeit zukünftiger Berater beinhaltet eine Erweiterung des Modells mit anderen Transportformen und zukünftigen Netzwerkelementen. Sie planen auch die Simulation physischer Passagierbewegungen als Fußgänger an Bahnhöfen, um Probleme hinsichtlich Gedränge auf Bahnsteigen zu untersuchen.


More Case Studies

  • Simulation eines Tunnelbaus mit Hilfe einer Tunnelbohrmaschine
    Die Kosten des Ausfalls einer Tunnelbohrmaschine für eine Stunde sind üblicherweise hoch und Projektmanager müssen ihr Bestes tun, um unnötige Verzögerungen im Bau zu verhindern. Das Ziel des Simulationsprojektes, welches durch die Ruhr-Universität Bochum in Deutschland durchgeführt wurde, war es, ein Simulationsmodell zu entwickeln, das fähig ist die Engstellen im Tunnelbauprozess zu bestimmen, um finanzielle Verluste zu minimieren.
  • Peitscheneffekt in der Lieferkette von Halbleitern
    Das Supply Chain Management bei Infineon, ein sehr großer Hersteller von Halbleitern, wollte den Peitscheneffekt, auch Bullwhip-Effekt genannt, in ihrem Markt untersuchen, um Ausgaben zu senken und das Marktverhalten besser vorhersagen zu können. Sie haben AnyLogic-Software eingesetzt, um das Modell einer Lieferkette zu entwickeln - vom Rohmaterial bis zum Verkauf.
  • Simulation der internen Schienenlogistik für den Hafen von Le Havre
    Der Hafen von Le Havre in Frankreich benötigte Unterstützung für den Bau eines neuen multimodalen Terminals. Kernpunkt der Simulation war es, den Transfer der Container zwischen Schienenzügen / Frachtkähnen und anderen bestehenden Terminals zu fördern, die diese Container zum bzw. vom Seetransport überführen.
  • Optimierung der Französischen Bahn
    Der Betreiber eines Eisenbahnnetzes des Landes wollte wissen, ob der Schienengüterverkehr mit LKW-Transporten konkurrieren kann. Der Transport LKW-Bahn-LKW sollte effektiver werden.
  • Tragfähigkeitsmodell eines Bahnhofs
    Aurizon ist eines von Australiens größten Bahnfrachtunternehmen mit mehr als 700 Lokomotiven und mehr als 16.000 Wagons. Aurizon ist stark im Kohlen-, Eisenerz- und Mineraltransport vertreten. Um die Effizienz der Betriebsabläufe zu erhöhen, hat das Unternehmen entschieden, einen ihrer Bahnhöfe in eine andere Stadt zu verlegen. Dieser Bahnhof war vor allem für die Wagon- und Lokomotiven-Wartung, sowie für die Vorbereitung der Lok zuständig.
  • Die beste Lagerhaltungsstrategie mit Gojii auswählen
    Das bestehende Tool für Lieferkette und S&OP (Absatz- und Vertriebsplanung) sind hervorragend für das Lieferungsmanagement geeignet, um einer gewählten "Prognose" zu entsprechen. Es gibt jedoch keine einzige "korrekte Prognose" des künftigen Bedarfs, und bestehende Tools sind nicht dafür konzipiert, das beste Bedarfslevel für das Unternehmen auszuwählen.
  • Planungs- und Bestandsoptimierung des Vertriebsnetzwerks durch Simulation
    Diageo ist ein britisches, multinationales Unternehmen, das alkoholische Getränke vertreibt. Diageo Russland gehört zu den Top fünf der Großhändler von alkoholischen Getränken, welches traditionell ein margenschwaches Geschäft ist und bei dem der Reingewinn empfindlich auf den Grad der Kundenbetreuung und hohe Logistikkosten reagiert.
  • Die Nettoeinnahmen der Schubbootflotte maximieren
    InterBarge, ein erstklassiger Wasserstraßenbetreiber und eine Tochtergesellschaft der SCF Marine, ein Teil der Seacor Holding Group, betreibt entsprechend eines Beförderungsvertrages Frachtdienste entlang der Wasserstraße des HPP Waterway (Hidrovia Parana Paraguay, mit Sitz in Argentinien, Paraguay, Brasilien, und Uruguay).
  • CSX löst die Herausforderungen des Bahnbetriebs mit der AnyLogic Rail Library
    CSX ist eine US-Eisenbahngesellschaft, mit einem Streckennetz von über 21.000 Meilen (34.000 km). AnyLogic bietet den Nutzern der Eisenbahngesellschaft die Möglichkeit, Probleme bezüglich des Streckenverlaufs, des Terminals und des Bahnhofs zu simulieren. Die folgenden drei Projekte, die 2014 von CSX abgewickelt wurden, deckten eine Vielzahl von Aufgaben ab, die durch die AnyLogic-Software gelöst wurden.
  • 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.