Greater Oslo Area Train Optimization

Jernbanen er det mest miljøvennlige transportmiddelet vi har, spesielt i tettbygde strøk. Økende urbanisering fører til stadig større press på regionale transportsystemer - i Norge som i utlandet. Nylig har vi sett fallende punktlighet for togene rundt Stor-Oslo. Det er svært vanskelig og kostbart å bygge jernbane i byområder. Videre er det krevende å vurdere effekten av investeringstiltak på forhånd, og det tar lang tid fra investeringsbeslutning til ferdigstilling. På den annen side er det mye ubrukt kapasitet i det eksisterende systemet. Den kan utnyttes med bedre trafikkstyring. Støtte fra digitale verktøy basert på matematisk optimering vil kunne gi betydelige forbedringer i forhold til dagens manuelle styring. Hovedmålet i GOTO-prosjektet er å utnytte nyvinninger innen matematisk optimering og AI til å forbedre trafikkstyring av jernbane. Vi utvikler metodegrunnlaget for et effektivt, optimeringsbasert trafikkstyringssystem ved å kombinere de nyeste algoritmer innen optimering med avanserte prognoseteknikker fra maskinlæring. De nye metodene skal kunne håndtere de mest kompliserte trafikkstyringsoppgavene vi finner i jernbanen i Norge og i Europa. Vi forventer store forbedringer i punktlighet, mindre arbeidsbelastning for toglederne, og bedre utnyttelse av dagens infrastruktur. Sluttresultatet av GOTO vil være en verktøyprototyp for trafikkstyring av jernbanen i Stor-Oslo, til støtte for toglederne i Oslo. Verktøyet vil visualisere effekten av beslutninger noen timer inn i fremtiden og automatisk foreslå optimaliserte beslutninger ut fra nåsituasjon og preferanser, alt dette i sanntid. I tillegg vil vi utvikle en ny maskinlæringsmetode som finner flaskehalser i systemet ved å utnytte informasjon som samles gjennom bruk av optimeringsalgoritmen. Slik flaskehalsinformasjon er et sentralt grunnlag for beslutninger om utbygging av infrastruktur. Vårt viktigste resultat i løpet av prosjektets første år er leveransen av den første prototypen i andre kvartal av 2020 som planlagt. Dette verktøyet tilbyr beslutningsstøtte for optimal togledelse på en enkeltlinje i Oslo-regionen. Programvaren er basert på en algoritme for matematisk optimalisering. For denne første demonstrasjonen valgte vi 2 linjer: Kongsvingerbanen, mellom Lillestrøm og Charlottenberg, og Gjøvikbanen, mellom Oslo og Gjøvik. Programvaren tar in status for infrastrukturen og togene på linjen, og gir ut en optimal ruteplan, altså en kombinasjon av kofliktløse ruteplaner for hvert tog hvor den totale forsinkelsen er så lav som mulig. Den totale forsinkelsen kan vektes etter prioriteten til hvert enkelt tog. Ruteplanen beregnes hvert 10. sekund og vises til toglederen. For å oppnå dette har vi utviklet et smidig grensesnitt som også lar toglederen påvirke beslutningene verktøyet tar, ved for eksempel å fastsette avgangstider eller møte- og passeringspunkter. Dette lar toglederen evaluere effekten av de valgene de må ta. Gjennom det andre året har vi lagt stor vekt på å videreutvikle matematiske modeller og metodikk for optimal togledelse på den store stasjonen Oslo S. Stasjonen har 20 spor og håndterer rundt 1000 tog per dag. Stasjonen er knyttet til 10 linjer for innkommende og utgående togtrafikk, samt et depot. Optimaliseringsalgoritmene vi har utviklet leverer optimale eller nært optimale løsninger omtrent 2 ganger i minuttet. Algoritmene er bygget inn i en prototype som lar toglederne inspisere de foreslåtte løsningene i et innovativt grafisk brukergrensesnitt. Prototypen 2 ble offisielt overlevert den 3. september 2021, og er nå tilgjengelig for toglederne som skal teste den i praksis. I det siste året av prosjektet fullførte vi studiet av dekomponeringsmetoden og leverte en tredje prototype av beslutningsstøtte-verktøyet for togledere som nå kan behandle Kongsvingerbanen, Gjøvikbanen, Hovedbanen, Dovrebanen og Gardermobanen i samme modell, pluss en algoritme for Oslo sentralstasjon. I tillegg har programvaresystemet blitt redesignet for å være mer fleksibelt i behandling av infrastrukturmodellen, slik at vi lettere kan gjøre utvidelser og endringer i bane- og stasjonsmodellene. Systemet har også fått generelle oppgraderinger for å komme på kvalitetsnivå med industriell programvare. I desember 2022 ble den endelige versjonen av beslutningsstøtteverktøyet presentert ved Oslo togledersentral på to møter. På hvert av disse møtene deltok en undergruppe av de aktive toglederne. Toglederne har nå fått tilgang til å teste og leke med en versjon av prototypen som er tilgjengelig på deres arbeidsstasjoner.

The main goal of the project was to develop the mathematics and the algorithms to implement a automatic tool able to make optimal dispatching decisions in real-time. The algorithms and the mathematics were successfully developed and the software prototype implemented and it is currently tested by dispatchers at Oslo control center. Some of the anticipated impacts (i.e. on punctuality, velocity, capacity and workload) can only be realized when the software will be actually rolled out and extensively utilized by dispatchers. However, the scheduling algorithm developed is state-of-the-art and tests on the real-life instances arising in greater Oslo area, show that the tool is able to produce good or optimal solutions for a large portion of network.

The GoTo main goal is to transfer the most recent advances in optimization and machine learning to railway traffic management. We will develop the methodological groundwork for an Optimization-based Traffic Management System (OTMS) that integrates state-of-the-art optimization algorithms and advanced forecasting techniques to tackle the complex scenarios of train dispatching that are found in Norway and the rest of Europe. Expected benefits include improved punctuality, reduced workload for dispatchers, and more efficient utilization of the existing infrastructure. The outcome of this project will be a prototype tool that will be tested in the greater Oslo area. Clearly, all developments for the greater Oslo area can be easily extended to any other railway region found in Norway. Dispatchers at the Oslo control center will be able to visualize the effects of each decision they make, up to few hours in the future. More importantly, the OTMS will automatically suggest them a set of optimized dispatching decisions based on the current train positions and preferences. All in real-time. In addition, we intend to investigate a novel methodology that exploits information gathered by the optimization algorithm of the OTMS with the purpose of identifying bottlenecks in the rail network. This will help steer future investment decisions in infrastructure enhancements. The project will last 3 years, and it will involve three main actors: SINTEF as the project owner and research partner, Bane NOR as the industrial partner and NSB as an end-user (train operator). SINTEF will contribute with its extensive expertise and outstanding research in optimization, machine learning, and train dispatching, in particular. Bane NOR, as the responsible for operating and developing the Norwegian railway network, will provide all the necessary knowledge and support for the prototyping and validation.