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