Modeling and forecasting of railway operations variables and passenger flows for dense traffic areas

Modélisation et prévision des variables d'exploitation ferroviaire et de flux de voyageurs en zone dense

Rémi Coulaud (1, 2, 3)

1 SNCF : Innovation & Recherche
2 LMO - Laboratoire de Mathématiques d'Orsay
3 CELESTE - Statistique mathématique et apprentissage

Thanks to its new connected trains, Transilien is now able to measure the number of passengers boardings and alightings per train door in real time.Our research uses this unique dataset to contribute to a better synchronization of train and passenger flows during the operational stage of railway operations.We first evaluate several statistical learning models to estimate dwell time as a function of railway operation and passenger flows variables. These models allow us to isolate critical situations where passenger flows significantly impact dwell time. Our research forecasts each of the railway operation and passenger flows variables, one stop ahead, from bidirectional autoregressive models exploiting their recent past. We then simplify those models’ using patterns derived from timetables. Finally, we estimate the occupancy rate by zone of the open gangways rolling stocks in order to inform passengers about the comfort on board and build two models of on-board passenger movements.

Grâce à ses rames connectées, Transilien mesure en temps réel le nombre de montées et de descentes par porte du train. Nous contribuons à une meilleure synchronisation en phase opérationnelle des flux de trains et de voyageurs à l’aide de ces données uniques. Nous évaluons plusieurs modèles d’apprentissage statistique afin d’estimer les temps de stationnement en fonction des variables d’exploitation ferroviaire et des flux de voyageurs. Ces modèles permettent d’isoler des situations critiques où les flux de voyageurs impactent les temps de stationnement. Nous prévoyons chacune des variables, à l’horizon d’un arrêt, à partir de modèles autorégressifs bidirectionnels exploitant leur passé proche. Ces modèles se simplifient grâce aux motifs issus de la grille horaire. Nous estimons enfin des taux d’occupation par zone des rames traversantes, afin d’informer les voyageurs sur le confort à bord et proposons deux modèles de déplacement des voyageurs à bord.

Mots clés: Urban rail transit; Dwell time; On-Board passenger's mouvements; Short term forecasting; Machine learning models; Graphes and networks

Mots clés: Transport ferroviaire urbain; Temps de stationnement; Déplacements des voyageurs à bord; Prévision à court terme; Modèles d'apprentissage automatique; Graphes et réseaux

Domaines: Machine Learning [stat.ML]; Statistiques [math.ST]; Infrastructures de transport

Rémi Coulaud. Modélisation et prévision des variables d'exploitation ferroviaire et de flux de voyageurs en zone dense. Machine Learning [stat.ML]. Université Paris-Saclay, 2022. Français. ⟨NNT : 2022UPASM031⟩. ⟨tel-03934383⟩