Utilisation innovante des données opérationnelles par utilisation de l'intelligence artificielle dans un poste de contrôle ferroviaire visant l'amélioration de l'efficacité opérationnelle

Ce projet se concentre sur l'optimisation des opérations ferroviaires, en particulier pour les réseaux de tramways et de RER. L'objectif est de proposer une approche permettant l'intégration d'un système d'aide à la prise de décision dans un poste de contrôle ferroviaire (PCC). Les opérateurs doivent garantir la sécurité, optimiser le débit et maintenir la qualité de service, tout en offrant une expérience satisfaisante pour les passagers. Dans ce contexte, le système de gestion du trafic, sous la direction du PCC, cherche à minimiser les retards et à gérer efficacement les flux de passagers. Cependant, la complexité du réseau et la forte densité du trafic, avec des intervalles courts entre les trains, représentent des défis importants.Pour répondre à ces enjeux, nous avons développé un système d'aide à la prise de décision basé sur des modèles d'apprentissage automatique et des méthodes mathématiques en temps réel. Ce système vise à fournir des prédictions précises sur les retards des trains, anticipant ces derniers jusqu'à 15 minutes avant leur arrivée. L'objectif principal est de soutenir l'opérateur du centre de contrôle (OCC) dans la gestion proactive des retards et de l'afflux de passagers sur les quaisLe principal défi auquel fait face l'OCC est la gestion des retards, en particulier pendant les heures de pointe. Les retards ont tendance à s'accumuler, créant un effet domino qui perturbe l'ensemble du réseau. Malgré les procédures existantes pour atténuer ces retards, la contrainte temporelle pour réguler les lignes reste un obstacle majeur, affectant à la fois les trains précédents et suivants, se qui impacte grandement la qualité du service. Ainsi, notre méthodologie s'articule autour de plusieurs étapes et se divise en deux modes : hors-ligne et en ligne.1. Mode hors-ligne : Le mode hors-ligne commence par un nettoyage approfondi des données d'exploitation pour garantir leur qualité et leur fiabilité. Ces données sont ensuite préparées en intégrant des informations passées, présentes et futures. Le passé comprend les retards historiques et les informations concernant les trains prédécesseurs et successeurs, analysées à l'aide d'une fenêtre glissante. Le présent représente les caractéristiques opérationnelles actuelles, telles que les états des trains et les conditions du réseau. Enfin, le futur anticipe les évolutions des trains sur les stations suivantes, avec un horizon de prédiction fixé à 15 minutes. L'entraînement est effectué périodiquement, en fonction des besoins spécifiques et de l'arrivée de nouveaux ensembles de données.2.Mode en ligne : En mode en ligne, des données simulées en temps réel sont utilisées en l'absence d'accès direct au PCC. Ces nouvelles données sont prétraitées pour garantir leur cohérence avec celles du mode hors-ligne. Une interface utilisateur ergonomique et une animation en temps réel permettent de suivre les mouvements des trains, d'anticiper les retards et de fournir des prédictions adaptées aux opérations en cours.Une étude comparative des modèles d'apprentissage automatique et profond a été menée pour identifier les plus adaptés à la prédiction des retards dans les transports publics. Ces modèles ont été optimisés grâce à des techniques d'ajustement des hyperparamètres, atteignant un taux de précision de 95 % pour des prédictions jusqu'à 15 minutes avant l'arrivée des trains. Une étude de sensibilité a également été réalisée pour analyser l'impact des hyperparamètres sur la convergence des modèles et améliorer leur efficacité sur les données ferroviaires.