Supervision in Multimodal Transportation Systems - Inria - Institut national de recherche en sciences et technologies du numérique Accéder directement au contenu
Thèse Année : 2016

Supervision in Multimodal Transportation Systems

Supervision en Transport Multimodal

Résumé

Without any doubt, modern multimodal transportation systems are vital to the ecological sustainability and the economic prosperity of urban agglomerations, and in doing so to the quality of life of their many inhabitants. Moreover it is known that a well-functioning interoperability of the different modes and lines in such networked systems is key to their acceptance given the fact that (i) many if not most trips between different origin/destination pairs require transfers, and (ii) costly infrastructure investments targeting the creation of more direct links through the construction of new or the extension of existing lines are not open to debate. Thus, a better understanding of how the different modes and lines in these systems interact through passenger transfers is of utmost importance. However, acquiring this understanding is particularly tricky in degraded situations where some or all transportation services cannot be provided as planned due to e.g. some passenger incident, and/or where the demand for these scheduled services deviates from any statistical long term-plannings. Here, the development for and integration of sophisticated mathematical models into the operation of such systems may provide remedy, where model-predictive supervision seems to be one very promising area of application which we consider here. Model-predictive supervision can take several forms. In this work, we focus on the model-based impact analysis of different actions, such as the delayed departure of some vehicle from a stop, applied to the operation of the considered transportation system upon some downgrading situation occurs which lacks statistical data. For this purpose, we introduce a new stochastic hybrid automaton model, and show how this mathematically rigorous model can be used to forecast the passenger numbers in and the vehicle operational state of this transportation system starting from estimations of all passenger numbers and an exact knowl- edge of the vehicle operational state at the time of the incident occurrence. Our new automaton model brings under the same roof, all passengers who demand fixed-route transportation services, and all vehicles which provide them. It explicitly accounts for all capacity-limits and the fact that passengers do not necessarily follow efficient paths which must be mapped to some simple to understand cost function. Instead, every passenger has a trip profile which defines a fixed route in the infrastructure of the transportation system, and a preference for the different transportation services along this route. Moreover, our model does not abstract away from all vehicle movements but explicitly includes them in its dynamics, which latter property is crucial to the impact analysis of any vehicle movement-related action. In addition our model accounts for uncertainty; resulting from unknown initial passenger numbers and unknown passenger arrival flows. Compared to classical modelling approaches for hybrid automata, our Petri net-styled approach does not require the end user to specify our model’s many differential equations systems by hand. Instead, all these systems can be derived from the model’s predominantly graphical specification in a fully automated manner for the discrete time computation of any forecast. This latter property of our model in turn reduces the risk of man-made specification and thus forecasting errors. Besides introducing our new model, we also develop in this report some algorithmic bricks which target two major bottlenecks which are likely to occur during its forecast-producing simulation, namely the numerical integration of the many high-dimensional systems of stochastic differential equations and the combinatorial explosion of its discrete state. Moreover, we proof the computational feasibility and show the prospective benefits of our approach in form of some simplistic test- and some more realistic use case.
Les réseaux de transport multimodaux modernes sont sans doute essentiels pour la durabilité écologique et l’aisance économique des agglomérations urbaines, par conséquent aussi pour la qualité de vie de leurs habitants. D’ailleurs, le bon fonctionnement sur le plan de la compatibilité entre les différents services et lignes est essentiel pour leur acceptation, étant donné que (i) la plupart des trajets nécessitent des changements entre les lignes et que (ii) des investissements coûteux, dans le but de créer des liens plus directs avec la construction de nouvelles lignes ou l’extension de lignes existantes, ne sont pas à débattre. Voilà pourquoi une meilleure compréhension des interactions entre les modes et les lignes dans le contexte des transferts de passagers est d’une importance cruciale. Toutefois, comprendre ces transferts est singulièrement difficile dans le cas de situations inhabituelles comme des incidents de passagers et/ou si la demande dévie des plans statistiques à long terme. Ici le développement et l’intégration de modèles mathématiques sophistiqués peuvent remédier à ces inconvénients. A ce propos, la supervision via des modèles prévoyants représente un champ d’application très prometteur, analysé dans le présent travail. La supervision selon des modèles prévoyants peut prendre différentes formes. Dans le présent travail, nous nous intéressons à l’analyse de l’impact basé sur des modèles de différentes actions, comme des départs en retard de certains véhicules après un arrêt, appliqué sur le fonctionnement du réseau de transport en question et sa gestion de situations de stress qui ne font pas partie des données statistiques. C’est pourquoi nous introduisons un nouveau modèle stochastique, un automate hybride avec une dynamique probabiliste, et nous montrons comment ce modèle profondément mathématique peut prédire le nombre de passagers dans et l’état de fonctionnement du véhicule en question du réseau de transport, d’abord par de simples estimations du nombre de tous les passagers et la connaissance exacte de l’état du véhicule au moment de l’incident. Ce nouvel automate réunit sous un même regard les passagers demandeurs de services de transport à parcours fixes ainsi que les véhicules capables de les assurer. Il prend explicitement en compte la capacité maximale et le fait que les passagers n’empruntent pas nécessairement des chemins efficaces, dont la représentation sous la forme d’une fonction de coût facilement compréhensible devient nécessaire. Chaque passager possède plutôt son propre profil de voyage qui définit un chemin fixe dans l’infrastructure du réseau de transport, et une préférence pour les différents services de transport sur ce chemin. Les mouvements de véhicules sont inclus dans la dynamique du modèle, ce qui est essentiel pour l’analyse de l’impact de chaque action liée aux mouvements de véhicule. De surcroît, notre modèle prend en compte l’incertitude qui résulte du nombre inconnu de passagers au début et de passagers arrivant au fur et à mesure. Comparé aux modèles classiques d’automates hybrides, notre approche inspirée du style des réseaux de Pétri ne requiert pas le calcul de ces multiples équations différentielles à la main. Ces systèmes peuvent être dérivés de la représentation essentiellement graphique d’une manière totalement automatique pour le calcul en temps discret d’une prévision. Cette propriété de notre modèle réduit le risque de précisions faites par des humains et les erreurs qui en résulteraient. Notre schéma mentionné plus haut en temps discret pour le calcul de certaines prévisions est très différent des approches de modèles d’automate hybride stochastique développés jusque-là, qui sont limités à l’analyse de propriétés qualitatives intrinsèques ou au calcul de certaines réalisations de l’état du système. D’abord, nous commençons nos calculs à partir d’un état incertain parce que nous ignorons le nombre exact de passagers à bord des véhicules et dans les stations. Nous ignorons en plus la quantité et la composition des arrivées successives de passagers. Deuxièmement, dans notre approche, l’utilisateur final définit l’instant du changement de positions des véhicules, les conditions de conduite et les états opérationnels, et en procédant ainsi, l’instant auquel notre modèle automate change d’état discret. Nous démontrons l’effectivité et l’efficacité de nos éléments constitutifs, ainsi que la faisabilité des calculs de toute notre approche sur la supervision prévoyant le modèle dans des cas type simplistes et dans des cas plus réalistes d’utilisation. Cette dernière occurence souligne la facilité d’utilisation et les bénéfices prospectifs de notre approche de supervision prospective modèle en vue de systèmes de transport multimodaux futurs.
Fichier principal
Vignette du fichier
PhD_Report_Simon_THEISSING (1).pdf (1.36 Mo) Télécharger le fichier

Dates et versions

tel-01419126 , version 1 (18-12-2016)
tel-01419126 , version 2 (06-03-2017)
tel-01419126 , version 3 (08-03-2017)

Identifiants

  • HAL Id : tel-01419126 , version 2

Citer

Simon Theissing. Supervision in Multimodal Transportation Systems. Modeling and Simulation. Université Paris-Saclay, 2016. English. ⟨NNT : 2016SACLN076⟩. ⟨tel-01419126v2⟩

Collections

INRIA INRIA2
605 Consultations
461 Téléchargements

Partager

Gmail Facebook X LinkedIn More