Analyzing Incident Effects on Subway Operation

Les systèmes de métro jouent un rôle vital dans le transport urbain en fournissant des moyens de déplacement efficaces, fiables et accessibles pour des millions de personnes quotidiennement. Néanmoins, le grand nombre de passagers quotidiens et les intervalles de service fréquents exposent les systèmes de métro à des pannes de service et à des incidents. Les incidents de métro doivent être traités efficacement, car les retards causés par eux peuvent se propager rapidement à travers le réseau, perturbant plusieurs stations. Mesurer les impacts totaux des incidents sur l'exploitation est essentiel pour améliorer le temps de réponse et permettre des stratégies de récupération efficaces. Les études existantes sur la gestion des incidents de métro se concentrent principalement sur le développement de modèles pour prédire la durée des incidents à l'aide des journaux d'incidents. Cependant, ces journaux sont sujets aux erreurs humaines et sont limités dans leur portée de surveillance. Par conséquent, il y a eu peu de recherches sur l'analyse des effets complets des incidents sur l'exploitation du métro. Pour combler cette lacune, cette recherche vise à proposer une méthode pour quantifier l'impact global des incidents en exploitant les enregistrements opérationnels des trains, puis en catégorisant les incidents à l'aide d'une méthode de regroupement. Le principal objectif de cette étude est d'identifier les modèles de gravité des incidents de métro afin que les exploitants de transport en commun puissent améliorer la manière dont ils mesurent et comprennent les effets complets des incidents. Le cadre de recherche se compose de plusieurs sous-objectifs visant à caractériser les impacts des incidents dans le système de métro de Montréal. Cela implique l'utilisation de deux types de données : les données de positionnement des trains obtenues à partir du système de signalisation et les données de journaux d'incidents rapportées par l'exploitant. Dans le système de métro de Montréal, les informations de positionnement des trains sont dérivées d'un système de signalisation par bloc fixe couvrant toutes les voies du réseau. Ce système, en conjonction avec un mécanisme de pilotage automatique, facilite l'enregistrement précis des moments spécifiques où un train entre et sort d'un bloc, avec une précision jusqu'à la seconde. Par conséquent, l'objectif initial de cette étude est de développer un algorithme de fouille de données capable de gérer efficacement des données de blocs étendues et d'extraire des trajectoires de trains. Le deuxième objectif de cette thèse est d'analyser les impacts des incidents sur l'exploitation du métro. Cela est réalisé en utilisant le temps d'occupation des stations, dérivé des données de trajectoires, comme mesure pour quantifier les retards des trains. Ensuite, les incidents et leurs retards associés sont identifiés dans les données de trajectoires en faisant référence aux informations des journaux d'incidents. Ensuite, des indicateurs de gravité, représentant l'étendue de l'impact de l'incident, sont formulés pour agréger les effets complets de chaque incident sur l'exploitation. Ces indicateurs comprennent le nombre de trains affectés, le nombre de paires train-station affectées, le temps de retard total et une variable binaire indiquant si les deux sens d'une ligne sont affectés par l'incident. Enfin, ces indicateurs de gravité sont utilisés comme entrée pour le regroupement en K-means afin de catégoriser les incidents en fonction de leurs niveaux d'impact. Les principales conclusions de cette étude révèlent trois clusters distincts d'incidents avec des degrés variables d'impact sur l'exploitation du métro. Le cluster 1 est constitué d'incidents avec des impacts minimes, n'affectant qu'un seul sens d'une ligne de métro et entraînant un temps de retard total moyen de 16 minutes. Le cluster 2, qui représente la majorité des incidents, a eu des effets modérés sur les deux sens des lignes de métro, entraînant un temps de retard total moyen de 52 minutes et affectant environ 12 trains par incident. Le cluster 3 comprend des incidents avec des impacts graves, causant des perturbations significatives des services de métro en affectant en moyenne 26 trains et entraînant un temps de retard total moyen de 273 minutes. L'influence des heures de pointe sur la propagation des incidents était notable, les périodes de pointe du matin et du soir connaissant des nombres moyens plus élevés de trains affectés. Les heures de pointe, caractérisées par un intervalle de service réduit, ont entraîné des incidents affectant un plus grand nombre de trains par rapport aux heures creuses et aux week-ends. De plus, un examen des causes des incidents a révélé que les incidents les plus fréquents tendent à avoir des impacts modérés. La comparaison entre les retards d'incidents signalés et ceux identifiés dans les données de trajectoire a mis en évidence un biais vers une surestimation des retards principaux dans les journaux d'incidents, en particulier pour les retards inférieurs à 20 minutes. Cela souligne l'importance de valider les données à partir de sources multiples pour améliorer l'exactitude des modèles prédictifs, en particulier pour les retards plus petits. De plus, l'existence de retards non étiquetés dépassant 5 minutes dans les données de trajectoire suggère des incidents potentiels manqués dans les journaux d'incidents, mettant en évidence les limites de se fier uniquement aux journaux d'incidents pour une analyse exhaustive des retards d'incidents. Les résultats de cette recherche fournissent des informations précieuses sur la gestion des incidents de métro, posant les bases pour d'autres études visant à améliorer la performance des réseaux de transport en rail urbain lors de perturbations de service. La compréhension des modèles de gravité des incidents aide les exploitants de transport en commun à améliorer leur connaissance des impacts des incidents et à améliorer la prise de décision pour une allocation efficace des ressources et la gestion de l'exploitation du métro. En évaluant les modèles de gravité des incidents, les exploitants peuvent évaluer l'efficacité des stratégies de récupération et ajuster la réponse pour réduire les retards d'incidents.

Abstract

Subway systems play a vital role in urban transportation by providing efficient, reliable, and accessible means of commuting for millions of people daily. Nevertheless, the large volume of daily passengers and the frequent service intervals expose subway systems to service failures and incidents. Subway incidents need to be effectively addressed, as delays caused by them can rapidly propagate across the network, disrupting multiple stations. Measuring the total impacts of incidents on operation is essential for improving response time and enabling efficient recovery strategies. Existing studies on subway incident management are mainly focused on developing models to predict incident duration using incident logs. However, these logs are prone to human error and are constrained in their monitoring range. Consequently, there has been limited research on analyzing the full effects of incidents on subway operation. To bridge this gap, this research aims to propose a method for quantifying the overall impact of incidents by mining train operational records and then categorizing incidents using clustering method. The main goal of this study is to identify the severity patterns of subway incidents so as transit operators can enhance the way they measure and understand the full effects of incidents. The research framework consists of several sub objectives aimed at characterizing the impacts of incidents within the Montreal subway system. This involves utilizing two types of data: train positioning data obtained from signaling system and incident logs data reported by the operator. In the Montreal subway system, train positioning information is derived from a fixed block signaling system covering all tracks in the network. This system, in conjunction with an autopilot mechanism, facilitates the precise logging of the specific times when a train enters and exits a block, with accuracy down to the second. Consequently, the initial goal of this study is to develop a data mining algorithm capable of efficiently handling extensive block data and extracting train trajectories. The second objective of this thesis is to analyze the impacts of incidents on subway operation. This is accomplished by using station occupancy time, derived from trajectories data, as a measure to quantify train delays. Subsequently, incidents and their associated delays are identified within trajectories data by referencing information from incident logs. Following this, severity indicators ,representing the extent of incident impact, are formulated to aggregate the full effects of each incident on operation. These indicators include the number of affected trains, the number of affected train-station pairs, total delay time, and a binary variable indicating if both direction of a line are affected by the incident. Finally, these severity indicators are utilized as input for K-means clustering to categorize incidents based on their impact levels. The main findings reveal three distinct clusters of incidents with varying degrees of impact on subway operation. Cluster 1 consists of incidents with minimal impacts, affecting only one direction of a subway line and resulting in an average total delay time of 16 minutes. Cluster 2, which represents the majority of incidents, had moderate effects on both directions of subway lines, leading to an average total delay time of 52 minutes and affecting approximately 12 trains per incident. Cluster 3 includes incidents with severe impacts, causing significant disruptions to subway services by affecting an average of 26 trains and resulting in an average total delay time of 273 minutes. The influence of peak hours on incident propagation was noticeable, with morning and evening peak periods experiencing higher average numbers of affected trains. Peak hours, characterized by reduced service headway, resulted in incidents impacting a larger number of trains compared to off-peak hours and weekends. Additionally, an analysis of incident causes revealed that the majority of frequent incidents are categorized within cluster 2, tending to have moderate impacts. The comparison between reported incident delays and those identified in trajectory data uncovered a potential bias towards overestimation of primary delays in incident logs, especially for delays less than 20 minutes. This highlights the importance of validating data from multiple sources to improve predictive models' accuracy, especially for smaller delays. Furthermore, the existence of unlabelled delays exceeding 5 minutes in trajectory data suggests potential incidents missed in incident logs, underscoring the limitations of solely relying on incident logs for a comprehensive incident delay analysis. The results of this research provide valuable insights into subway incident management, laying the groundwork for further studies aimed at enhancing the performance of urban rail transit networks during service disruptions. Understanding incident severity patterns help transit operators to enhance their knowledge of incident impacts and improve decision-making for efficient resource allocation and subway operation management. By evaluating incident severity patterns, operators can assess the effectiveness of recovery strategies and adjust response to reduce incident delays.