Mit Machine Learning Störungen in Netzwerken lösen

Unter den fünf Besten in der Flatland Challenge der SBB

Wie können Züge lernen, sich automatisch zu koordinieren, so dass es zu minimalen Verspätungen in großen Zugnetzen kommt? Um diese Herausforderung im Wettbewerb «Flatland» der SBB zu lösen, haben wir uns für Reinforcement Learning, ein Teilbereich von Machine Learning und Artificial Intelligence, entschieden. Unser trainiertes Modell reagiert dynamisch auf neue Situationen und löst Störungen effizient und mit weniger Verspätungen.

Die Schweizerischen Bundesbahnen (SBB) betreiben den dichtesten gemischten Bahnverkehr der Welt. Täglich verkehren auf diesem Schienennetz über 10'000 Züge mit 1,2 Millionen Fahrgästen und der Hälfte der transportierten Güter der Schweiz. Aufgrund des wachsenden Mobilitätsbedarfs muss die SBB die Transportkapazität des Netzes erhöhen. Dazu muss sie in der Lage sein, unvorhergesehene Ereignisse schnell und effizient zu lösen ohne grössere Teile des Netzes zu stören. Das Problem der Zug-Umdisponierung entsteht, wenn eine geplante Fahrt gestört wird und eine Umplanung – inklusive der Umleitung eventuell anderer betroffener Züge – erfordert. Störungen sind unter Anderem Verkehrsunfälle, medizinische Notfälle oder Fahrzeugpannen. Der Wettbewerb «Flatland» zielt darauf ab, Probleme bei der Zugplanung mit einem Simulator zu lösen.

Mit Reinforcement Learning eine Fahrt effizient umplanen

Die Forschungsgruppe der SBB hat eine Plattform entwickelt, die die Dynamik des Zugverkehrs und der Bahninfrastruktur simuliert. Das Netcetera Artificial Intelligence Team hat an der «Flatland» Challenge mit einem Modell basierend auf einem Reinforcement Learning-Algorithmus grosse Erfolge erzielt.

Unser AI-Modell musste im Simulator verschiedene zufällige «Flatlands» mit unvorhergesehenen Störungen lösen. Auf der erste Stufe konnte das Modell die Ziele mit Hilfe von Ad-hoc-Entscheidungen erreichen. Mit zunehmender Schwierigkeit von Runde zu Runde musste das Modell in der Lage sein, zu planen und auf neue und unvorhergesehene Umstände zu reagieren. Dabei steuert der automatische Algorithmus die Bewegungen der Züge; es ist ein dynamisches Modell, das auf Umwelteinflüsse reagiert. Unser erfolgreiches Modell erreichte nach der letzten Runde Anfang Januar 2020 den fünften Platz.

Flatland-Simulator: Den Bahnverkehr in komplexen Netzen möglichst effizient verwalten und aufrecherhalten. https://i.imgur.com/Pc9aH4P.gif

Sprechen Sie mit unserem Experten:

Ramon Grunder

Head of Delivery Digital Enterprise

Weitere Stories

Zu diesem Thema

MEHR STORIES