EU-kommissionens förslag från 2023 introducerar en ny tåglägesprodukt kallad Rolling Planning. Rapporten beskriver metoder för att identifiera Rolling Planning-kapacitet baserat på historisk trafikdata. Genom klustring av dygn och klassificering skapas prognoser för kapacitetskonsumtion, vilket kan användas för att reservera kapacitet i framtida tågplaner. Utvärdering visar viss träffsäkerhet men behov av kompletterande underlag.

The effects of freight trains on the punctuality of passenger trains

In this report, we analyse the effects that freight trains, with slower average speeds, have on the timetable deviations of the passenger trains on a double track line with mixed traffic. In particular, we focus on the changes in the passenger trains’ time deviation from the train timetable when they are passing the freight trains. A method how to measure the time deviation around the passage is established. A case study is performed with data from 2022 for the double track line between Lund and Mjölby in southern Sweden. An important component is to study if the effects depend on the time deviation of the freight train, i.e., if the impact on the passenger train depends on if the freight train is operated on-time, before or after its timetable. The results show that in general, passages are more efficient when freight trains are before its timetable. Also, late passenger trains, on average, lose less time on the passage than passenger train that are on-time. The differences are small, but statistically significant. The results also show differences between stations and trains, and the report illustrate how to dig into the details of the results.

T.AI.TRÄ-projektet syftade till att förbättra hantering och inventering av träd inom kommunal verksamhet genom AI och ML-teknik. Genom att använda AI-drivna system kan man automatisera och effektivisera arbetsprocesser som tidigare har varit resurskrävande och tidsödande. Projektet hade särskilt fokus på att utveckla ett digital AI-baserat verktyg som samlar in, analyserar och visualiserar träddata från olika kommunala (redan befintliga) datakällor. Genom att implementera denna lösning i Trollhättans Stads kommunala verksamhet, kan man på ett mer effektivt sätt hantera stadens trädbestånd. Den nya tekniken ger också möjlighet att bättre förstå trädens ekologiska värde samt deras påverkan på stadsmiljön och klimatet. Projektet har inneburit ett nära samarbete mellan olika experter, inklusive AI-utvecklare, GIS-ingenjörer, forskare och domänexperter inom ekologi och stadsplanering. Dessutom har vi arbetat med att säkerställa att data som används och delas inom projektet är tillförlitlig och följer gällande lagstiftning, vilket är särskilt viktigt när man hanterar potensiellt känslig information. En annan viktig aspekt av T.AI.TRÄ-projektet var att främja organisatoriskt lärande inom Trollhättans Stad. Genom att introducera AI och nya digitala verktyg har personalen fått möjlighet att utveckla sin tekniska kompetens och förståelse för hur AI kan användas för att stödja och förbättra beslut inom stadsplanering och miljöförvaltning. Detta lärande har inte bara stärkt kommunens kapacitet att hantera träd på ett effektivt sätt, utan också lagt grunden för framtida AI-baserade projekt inom andra områden. Genom kontinuerlig utbildning och erfarenhetsutbyte har kommunen byggt upp en värdefull kunskapsbas som kan användas för att optimera verksamheten och anpassa sig till framtidens utmaningar. Genom att kombinera teknisk innovation med djupgående kunskap om trädens roll i vår miljö, hoppas vi slutligen att detta projekt kommer att bidra till en mer hållbar och effektiv trädhantering i framtiden.

In this paper we define new concepts and metrics for improved understanding of causes to unpunctual trains. The metrics are denoted delay contribution and critical disturbance. Delay contribution can be interpreted as how much a specific disturbance contributes to the delay of a train and the critical disturbances can be interpreted as the disturbances that made the train become unpunctual. The metrics are applied in a test case with trains in southern Sweden. The results show that the metrics can provide a complementary view regarding causes to unpunctuality compared to standard methods and are able to pinpoint disturbances that made trains become unpunctual and separate them from disturbances that have less impact on the punctuality. The methods are useable in the continuous work to improve railway performance e.g., by prioritizing maintenance work that give best impact on punctuality. © 2022 The Authors

Förseningsbidrag, kritiska störningar och småförseningar är nya mätetal som skapats för att förtydliga sambandet mellan störningar under ett tågs färd och dess slutliga punktlighet. I denna rapport beskriver vi dels hur man kan generalisera de nya mätetalen till att kunna appliceras på godståg som ofta är före tidtabellen. Resultat visar att för att öka punktligheten för godståg är det också viktigt att beakta de delar av resorna då tågen ligger före sin tidtabell, eftersom tappad tid även då kan göra att tågen till slut ”trillar över punktlighetskanten’’. Vidare belyser vi hur de tidiga (och sena) godstågen påverkar andra tåg genom en fallstudie på Godsstråket Mjölby-Luleå för tåg under oktober 2019, och resultaten indikerar att de tidiga tågen inte bidrar till opunktlighet utan de nyttjas i operativ trafik för att prioritera andra tåg för att snabba upp andra tågs resor.

Delay contribution, critical disturbances and minor delays are new metrics created to clarify the connection between disturbances during a train's journey and its punctuality. In this report, we describe how to generalize these new metrics and apply them to freight trains, which are often ahead of their timetable. Results show that to increase punctuality for freight trains, it is also important to consider the parts of the journey when the trains are before their timetable, since prolonged travel-time also when trains are before timetable can cause the trains to eventually "fall over the punctuality edge". Furthermore, we shed light on how the early (and late) freight trains affect other trains through a case study on the Mjölby-Luleå line in October 2019, and the results indicate that early trains do not contribute to delays on other trains but are utilized to prioritize other trains to speed up their travel-time.

Förseningsbidrag, kritiska störningar och småförseningar är nya mätetal som skapats för att förtydliga sambandet mellan störningar under ett tågs färd och dess punktlighet. I denna rapport analyserar vi effektsamband mellan störningstid och punktlighet med hjälp av förseningsbidrag för några resandetågslinjer i Sverige.

Delay contribution, critical disturbances and minor delays are new metrics created to clarify the connection between disturbances during a train's journey and its punctuality. In this report, we use delay contribution to analyze the correlation between disturbance time and punctuality on the a few lines for passenger trains in Sweden.

Delay contribution, critical disturbances and minor delays are new metrics created to clarify the connection between disturbances during a train's journey and its punctuality. A demonstrator for large-scale analyzes based on these metrics has been created. Train traffic throughout 2019 and parts of 2020 is analyzed. The results generally show that the metrics in a meaningful way complement the traditionally used analysis methods and specifically that small delays and disturbances late in travel have a large effect on the punctuality. The metrics can also be applied for station punctuality e.g. in a commuter train system.

Förseningsbidrag, kritiska störningar och småförseningar är nya mätetal som skapats för att förtydliga sambandet mellan störningar under ett tågs färd och dess slutliga punktlighet. En demonstrator för storskaliga analyser baserade på dessa mätetal har skapats. Tågtrafiken under hela 2019 och delar av 2020 har analyserats. Resultaten visar generellt att mätetalen på ett meningsfullt sätt kompletterar de traditionellt använda analysmetoderna och specifikt att småförseningar och störningar sent under resa har stor påverkan på punktligheten. Mätetalen kan även appliceras för stationspunktlighet t.ex. i ett pendeltågssystem.

In this report we outline a conceptual demonstrator for advanced real time network management for freight rail traffic. The focus is on the coordination between traffic control, train drivers and yard management, three essential parts in the real time management of a rail freight network. The intention is that the demonstrator can support multiple purposes, such as education and training, demonstrating research advancements, and enabling feedback between practitioners, system developers and researchers. The proposed demonstrator has a focus on the interaction between different systems and between humans using these systems, but also on the rail freight system perspective by the inclusion of the connection between the line and the yard. We present a generic architecture and propose existing components that could be combined to such a demonstrator. Thus, even though the demonstrator may seem complex and visionary, the existence of these components makes the realization of the demonstrator realistic. The development roadmap for the demonstrator proposes both a step-wise implementation plan of the complete demonstrator, as well as several partial packages that provide useful sub-demonstrators by themselves.

The appendices of the report include contributions to the continued development of two of the components that are part of the demonstrator. Firstly, in order to also better understand the type of situations that yard managers need to handle in operations and what implications these have on the traffic on the line, a Swedish case study has been conducted and the results are presented in Appendix A. More specifically, the case study analyses the factors that influence the departure time deviation for freight trains and how these can be used for predicting the actual departure time. These predictions can be used in a decision support system for yard planning at larger marshalling yards. A conclusion is that no single factor can fully explain the departure time deviation, but many different factors contribute to it, like destination, time of day, train load, number of wagons on the yard, connection time for wagons, and connection time for locomotives.

Secondly, to support the traffic controllers and dispatchers with an advanced decision support tool for deviation handling, a selection of different functionalities and algorithms may be required. In Appendix B, two different approaches for disturbance management are presented. Approach 1 (ALG1) is a heuristic, parallel algorithm, while the second approach (ALG2) is an exact algorithm based on state-of-the-art commercial optimization software. In order to classify and evaluate alternative algorithms for train re-scheduling and disturbance management, an assessment framework is also proposed in Appendix B. Based on this framework, the overall strengths and shortcomings of the two mentioned train rescheduling algorithms are assessed while applied on a set of 30 simulated disturbance scenarios of various complexity. The results show that typically, ALG2 obtained good rescheduling solutions for all 30 disturbances, but compared to ALG1, ALG2 is slow in obtaining solutions.ALG1 is good at quickly finding solutions with less passenger delays while it is less effective when it is used to solve disturbances associated with an infrastructure failure. The strength of ALG2 is its ability to reschedule the traffic during infrastructure failures. A detailed presentation of the evaluation is found in Appendix B.

Sammanfattning

Punktlighet är Trafikverkets viktigaste mätetal på kvalitét i tågföring. Tåg med en slutförsening på 6 minuter eller mer räknas som "opunktliga" medan tåg med mindre avvikelse räknas som de är "punktliga". Branschens målsättning är att uppnå 95% punktlighet, det har dock visat sig svårt att höja punktligheten trots branschgemensamma initiativ. Tillsammans för tåg i tid (TTT) är ett branschgemensamt initiativ i syfte att höja punktligheten i järnvägssystemet.

Trafikverkets huvudsakliga mått på en störning är den totala merförseningstid eller störningstid som störningen har genererat. Störningar som ger merförsening som är 3 minuter eller mer registreras och kopplas till den händelse som anses vara grundorsak till störningen/merförseningen, medan merförseningar som är mindre än 3 minuter inte registreras och orsakskopplas.

Syftet med detta projekt är att hitta tydligare samband mellan händelser och punktlighetsbrist. Genom att ta hänsyn till återhämtning (och inte bara merförsening) kan man skapa en koppling mellan orsakande händelser och förseningen på slutstationen så att man på ett bättre sätt kan identifiera vilka störningar som ger upphov till punktlighetsproblem. De samband som har utvecklats bygger på några nya mätetal:

-       Förseningsbidrag – hur mycket varje händelse bidrar till tågets slutförsening

-       Kritiska händelser – om en händelse eller en störning direkt orsakar opunktlighet

-       Störningsspridning – hur mycket en störning sprider sig från själva händelseplatsen

Målet med denna studie är att avgöra på vilket sätt de föreslagna, kompletterande måtten för störningar och störningars spridning är användbara i praktiken och vilken kompletterande kunskap de kan ge jämfört med de redan etablerade måtten. En fallstudie har genomförts med data från snabbtåg på södra och västra stambanorna.

En automatiserad datorbaserad algoritm har tagits fram för beräkning av de nya mätetalen som fungerar generellt utan manuella ingrepp, vilket är ett villkor för mer storskalig användning. Projektet har också visat hur ett modernt databearbetningsverktyg (PowerBI) kan användas för dynamiska analyser och visualisering.

De nya mätetalen visar i studien stor potential att komplettera de befintliga mätetalen för att kunna både öka förståelsen kring punktlighetsproblematiken och för att göra skarpare åtgärder för att höja den. De viktigaste resultaten från denna studie:

-       Förseningsbidrag och kritiska händelser ger kompletterande kunskap om opunktligheten.

-       Små händelser orsak till stor del av opunktligheten.

-       Småförseningar (dvs icke-registrerade störningar på 1-2 minuter vardera) är viktiga för opunktligheten.

-       Många störningar återhämtas, det är därför viktigt att veta vilka som har påverkan på punktligheten och vilka som inte har påverkan

-       Störningar som sker i slutet av resan är oftare kritiska än andra störningar.

-       Baserat på förseningsbidrag och kritiska händelser kan ett effektsamband mellan störningstid och punktlighet skapas.

-       Effektsambandet visar att beaktande av kritiska händelser kan göra punktlighetsåtgärder effektivare än om åtgärdsprioritering baseras på störningstid

-       Visualiseringar av störningars spridning genom av basera visualisering på förseningsbidrag ger en god bild hur störningar lever i järnvägsnätetet.

-       Moderna databehandlings- och datavisualiseringsverktyg kan underlätta för dynamisk bearbetning och djupdykning i data.

Ett sidoresultat av studien är att det är av stor vikt att göra detaljerade djupanalyser som komplement till aggregerade analyser, då flera av slutsatserna i denna rapport hade varit mycket svårare att göra om man arbetat för brett. Genom att fokusera data, i vårt fall norrgående snabbtåg på södra stambanan, erhölls mycket tydligare resultat än om en spretigare datamängd skulle ha använts.

Projektet är en fortsättning på förstudien SPRIDA

Eftersom det finns stor potential i de nya begreppen, mätetalen och angreppssätten föreslås att Trafikverket snarast fortsätter utvecklingen av de framtagna koncepten.

Smart Flow aimed at applying AI within process industry through using machine learning, simulations, industrial IoT and cloud technology, specifically in the case of district heating and the district heating network (DH-Net). The goal was to make a concept evaluation of AI for decision support in a core industrial process. The project has through a successful concept evaluation shown the technological possibilities and the economic potential within the energy utility application. Furthermore, the project has identified many challenges related to industrial use of AI.

Some of the highlights from the project include: • Successful development of AI algorithms that make detailed predictions of consumer and network behaviour. • An operational IIoT and Cloud pilot in the cloud that manages 15 000 meters daily and more than 3000 meters every 15 minutes. • A physical simulation model showing a potential energy saving in a single DH area of up to 4.2 MW. • Several articles in sector specific media, e.g., Fjärrvärmetidningen and Nordiska Projekt, sharing the ideas of the project. • Many event presentations of project results and experiences, including at Internetdagarna 2017, Microsoft and Dagens Industri AI event 2018, and Science and Innovation day 2019. • A film made by Microsoft that shows the concepts of Smart Flows and its application to utilities.

Mälarenergi has identified that many savings can be possible by optimizing the DH-net, and by getting a more detailed knowledge of how the net behaves one can make large improvements and developments. The keywords for Mälarenergi to continue to be successful is to focus on” the right amount of energy at the right time and place with the right quality”. By creating smartness, and tools for a better understanding, Mälarenergi will reach a higher level of decisions making and support for both the operators and data-analysis group. Instead of working with the production of heat such as the total amount produced from the Combined Heat and Power- Plant (CHP-plant), which is the traditional way to make forecast and heat demand, Smart Flow has focused on working with the consumers data. By trying to sum up the consumption from all the customers one can find another approach to know what to produce from the plant. Smart Flow demonstrated that using machine learning one can estimate how much energy is needed from the customers point of view. Moreover, the results show that it is possible to estimate the heat demand from different zones in the DH-net, using the same type of techniques. It was also found out that the time delays for different areas in Västerås are an important key for a better understanding of how the DH-net behaves. Indeed, knowing the time delays in advance, the operators will know when and how to react, to optimize the delivery of heat. A data-based methodology was developed, which can be used to estimate the time delays for different zones in the DH-net