Railway Traffic Management System

Abstract

In recent years, we have seen an evolution in the use of Artificial Intelligence (AI) to solve known problems faster and more efficiently. One of the areas of application is traffic management. We have more and more people in large cities who use public transport, which leads to the need for a more efficient network, which directs to an increase in the quality of services available.Critical Software (CSW) has been working for more than eight years with one of the largest companies in the rail market to improve and update their products. These improvements had as their final objective the use of these systems to improve the quality of the service and, consequently, the passengers’ satisfaction. In 2020, CSW was invited to a new project to improve a product that deals with rail traffic management. One of the most critical parts of this type of product is the algorithms they use to optimise and automate the railway network. Also, in 2020, the company sold part of its business, and the product came under a new company. This internship improved the optimisation algorithms used in this product.These algorithms are used to solve problems on the rail network, for example, to force a train to change its route or minimise possible delays. With the growth of evolutionary algorithms, we aim to create and apply a new AI technique in the product that fully utilises its capabilities. This new algorithm should improve the speed and quality of the responses and enable more trains to operate on the railway network. The trainee initially produced a contextualisation of the railway concepts, followed by market research for existing solutions and a search in the literature for optimisation algorithms and neural networks that could be connected to resolving these problems. After the research tasks, all the information gathered was analysed and compared. A set of risks and requirements, functional and non-functional, were elaborated before going through the project’s development, testing and evaluating. This internship allowed the trainee to assess the performance of an Artificial Intelligence (AI) model inside the railway scheduling context by adjusting the dwell time of trains. It was possible to compare multiple models to evaluate the best among them and then compare the selected model against a mathematical algorithm used in the product of the CSW. The results revealed that the performance can be increased and an acceptable accuracy level can be maintained.

Nos últimos anos temos assistido a uma evolução na utilização de Inteligência Artificial de modo a resolver problemas conhecidos de um modo mais rápido eeficiente. Uma das suas áreas de utilização é a gestão de tráfego. Cada vez temos mais pessoas nas grandes cidades que usam meios de transporte o que leva à necessidade da utilização de uma rede mais eficaz que leve a um aumento na qualidade dos serviços disponibilizados.A Critical Software (CSW) trabalhou, há mais de oito anos, com uma das maiores empresas do mercado ferroviário para melhorar e atualizar os seus produtos. Estas melhorias tinham como objetivo final a utilização destes sistemas para melhorar a qualidade do serviço e, consequentemente, a satisfação dos passageiros. Em 2020, a CSW foi convidada para um novo projeto para a melhoria de um produto que trata da gestão de tráfego ferroviário. Uma das partes mais importantes deste tipo de produto são os algoritmos utilizados para otimizar e automatizar a rede ferroviária. Ainda em 2020, a empresa parceira acabou por vender parte do seu negócio, passando o produto a estar sob a alçada de uma nova empresa. Este estágio surgiu com o objetivo de melhorar os algoritmos de otimização utilizados neste tipo de produto. Estes algoritmos são usados para resolver problemas que surjam na rede ferroviária e que obriguem à mudança de rota dos comboios ou para minimizar eventuais atrasos. Com o recente crescimento dos algoritmos evolutivos pretende-se desenvolver e implementar um novo algoritmo para que o produto tire o máximo proveito das suas capacidades e que melhore a velocidade de resposta aos problemas, a qualidade das repostas dadas e que seja capaz de suportar mais comboios na rede ferroviária.O estagiário fez inicialmente uma contextualização dos conceitos ferroviários, seguida de uma pesquisa de mercado para soluções existentes e de uma pesquisa na literatura sobre algoritmos de otimização e redes neuronais que pudessem estar ligados à resolução destes problemas. Após as tarefas de investigação, toda a informação recolhida foi analisada e comparada. Foi elaborado um conjunto de riscos e requisitos, funcionais e não funcionais, antes de se passar ao desenvolvimento, teste e avaliação do projeto. Este estágio permitiu avaliar o desempenho de um modelo Inteligência Artificial (AI) no contexto da programação ferroviária, ajustando o tempo de permanência dos comboios nas plataformas. Foi possível comparar vários modelos para avaliar o melhor de entre eles e depois comparar o modelo selecionado com um algoritmo matemático que é utilizado no produto da CSW. Os resultados revelaram que o desempenho pode ser melhorado e manter mesmo assim um bom nível de precisão.