Title: Punctuality Modelling in the Railway Subtitle: Comparative Analysis of Network Simulation and Statistical Approaches on a Norwegian Railway Line

Abstract

I denne studien er det utviklet modeller for å predikere punktlighet for jernbanestrekninger. To modeller er utviklet og testet ut på Dovrebanen. Det er gjort forenklinger og det er kun persontog som går hele strekningen mellom Trondheim og Oslo. Den første modellen som er utviklet er en nettverksmodell hvor togfremføring for en dag simuleres. Modellen er programmert i Python. Simuleringen baserer seg på avstander og hastighetsprofiler mellom stasjoner hvor togene kan krysse. Det er lagt inn regler for hvordan kryssinger kan endres ved forsinkelser. Modellen er kalibrert slik at i en normalsituasjon vil simuleringen sørge for at togene følger rutetabellen. For å analysere konsekvenser av feil i infrastrukturen og andre forhold som kan påvirke togfremføringen, er det mulig å analysere effekter av ulike scenarier slik som feil som stopper trafikken, feil som medfører midlertidig saktekjøring og forhold som betyr at det er innført saktekjøring over lengre tidsperioder. Når modellen kjøres for et slikt scenario, eller en kombinasjon av scenarier, kan man se effekten dette vil ha på togframføringen og modellen beregner tilhørende forsinkelser. Forsinkelsene vil ofte forplante seg ut over dagen slik at det også er mulig å se på følgeforsinkelser. Med en slik modell er det mulig å vurdere konsekvenser av feil og defekter i infrastrukturen som da kan brukes til å prioritere vedlikehold og fornyelse.

Det er også utviklet en statistisk modell. Denne modellen er basert på minuttforsinkelse registrert i Bane NOR sin database for punktlighet. I denne databaser er det også angitt en årsakskode bak hver forsinkelse. De vanligste forsinkelsene er knyttet til årsakskoder som representerer, er infrastrukturproblemer, værforhold og kaskadeeffekter fra andre forsinkede tog.

Ved å sammenligne begge tilnærmingene vi at simuleringsmodellen er i stand til å reprodusere og forklare de observerte forsinkelsene. Analysen av spesifikke scenarioer kan også identifisere begrensninger i gjeldende ruteplan, inkludert stramme ruteplaner og begrensede muligheter til å komme i rute igjen etter at feil er rettet opp.

In this study, models have been developed to predict punctuality for railway sections. Two models have been developed and tested on the Dovre Line (Dovrebanen). Simplifications have been made, and only passenger trains run the entire section between Trondheim and Oslo. The first model that has been developed is a network model where train performance for a day is simulated. The model is programmed in Python. The simulation is based on distances and speed profiles between stations where trains can cross. Rules have been added for how crossings can be changed in the event of delays. The model is calibrated so that in a normal situation, the simulation will ensure that trains follow the timetable. To analyse the consequences of errors in the infrastructure and other conditions that can affect train performance, it is possible to analyse the effects of different scenarios such as errors that stop traffic, errors that result in temporary slow running and conditions that mean that slow running has been introduced over longer periods of time. When the model is run for such a scenario, or a combination of scenarios, one can see the effect this will have on train performance and the model calculates the associated delays. Delays will often propagate throughout the day, so that it is also possible to look at consequential delays. With such a model, it is possible to assess the consequences of errors and defects in the infrastructure, which can then be used to prioritize maintenance and renewal.

A statistical model has also been developed. This model is based on minute delays registered in Bane NOR’s punctuality database. In this database, a reason code is also specified behind each delay. The most common delays are linked to reason codes that represent infrastructure problems, weather conditions and cascading effects from other delayed trains.

By comparing both approaches, we see that the simulation model is able to reproduce and explain the observed delays. The analysis of specific scenarios can also identify limitations in the current timetable, including tight timetables and limited possibilities to get back on track after errors have been corrected.