Een kleine treinvertraging kan grote gevolgen hebben voor het hele spoornetwerk. Onderzoeker Francisco Simoes heeft voor ProRail een wiskundige methode ontwikkeld die inzicht geeft in hoe vertragingen ontstaan en zich verspreiden, meldt de Universiteit Utrecht. Met behulp van zogeheten causale modellen kunnen verkeersleiders in de toekomst mogelijk betere beslissingen nemen om verstoringen te beperken. ProRail wil onderzoeken of ze de nieuwe methode in de praktijk kunnen brengen.
Wiskundige methode moet treinvertragingen helpen beperken; ProRail wil verder onderzoek

Het Nederlandse spoornetwerk is een complex systeem waarin treinen voortdurend met elkaar verbonden zijn. “Spoornetwerken zijn zeer complex, met veel bewegende onderdelen. Vertragingen van treinen planten zich voort door het hele netwerk, waarbij elke vertraging andere vertragingen veroorzaakt verderop in de lijn. Een kleine vertraging kan zich zo als een rimpeling door het hele systeem verspreiden”, aldus onderzoeker Francisco Simoes.
Om beter te begrijpen hoe die verstoringen ontstaan, deed de informaticus promotieonderzoek bij ProRail, in samenwerking met de Utrecht AI Labs. Dit is een samenwerking tussen de Universiteit Utrecht, UMC Utrecht, het bedrijfsleven, de publieke sector en andere partners.
Causale modellen
Simoes maakt in zijn onderzoek gebruik van causale modellen. Dit zijn wiskundige modellen die oorzaak-gevolgrelaties tussen onderdelen van een systeem in kaart brengen.
Hoe dat werkt, legt de onderzoeker met een eenvoudig voorbeeld uit: op een warme dag in Utrecht neemt het aantal verkochte ijsjes toe. De criminaliteit ook. Maar de kans is klein dat iemand de conclusie zou trekken dat misdaad toeneemt naarmate er meer ijsjes worden verkocht. Dat komt omdat we onbewust in ons hoofd een causaal model hebben dat ons vertelt dat er geen oorzaak-gevolgrelatie kan zijn tussen ijsjes en misdaad, maar dat ze alleen een gezamenlijke oorzaak delen: de temperatuur.
Bij simpele voorbeelden, zoals de ijsjes, kunnen mensen nog op hun intuïtie vertrouwen, aldus Simoes. “Bij complexere gevallen met veel variabelen, kunnen computers ons helpen. Zij kunnen causale modellen gebruiken om tot een solide conclusie te komen, en kunnen deze modellen zelfs leren uit data.”
Vertragingen voorspellen en beperken
Verkeersleiders bepalen momenteel vooral op basis van ervaring, intuïtie en bestaande richtlijnen welke treinen voorrang krijgen, worden omgeleid of uitvallen. “Dit werkt prima, maar het kan beter”, aldus Simoes.
Daarom ontwikkelde hij een methode die in kaart brengt hoe vertragingen zich door het spoorwegnet verspreiden en die suggesties doet over welke treinen prioriteit moeten krijgen, om verdere verstoringen te voorkomen.
In de praktijk zou dit betekenen dat een verkeersleider suggesties krijgt over welke treinen hij moet opheffen of omleiden, wat uiteindelijk moet leiden tot een soepelere organisatie en minder vertragingen. Stel bijvoorbeeld dat een vertraging in Utrecht waarschijnlijk doorwerkt naar Rotterdam, dan kan het systeem voorstellen een trein om te leiden om een knelpunt te vermijden.
Vervolgonderzoek
Hoewel de resultaten perspectief bieden, benadrukt Simoes dat zijn onderzoek vooral theoretisch van aard is. “Het was een wiskundig promotieonderzoek, waarbij ik me heb gericht op het ontwikkelen van het model en niet op toepassingen. Om te komen tot een systeem dat echt in de praktijk inzetbaar is, is nog veel werk nodig. Dit was een eerste stap in die richting.”
ProRail ziet mogelijkheden in de nieuwe methode en wil daarom vervolgonderzoek doen. In het vervolgonderzoek wil ProRail vaststellen hoe haalbaar en bruikbaar de methode is ten opzichte van andere methodes.



