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.