Big-Data-Intelligenz für umweltfreundliche Busroutenplanung

Die Herausforderung

Proceedings of the 2015 Industrial and Systems Engineering Research Conference S. Cetinkaya and J. K. Ryan, eds.

Matthew Snead, David Holt, Michael Mullen, Michelle Londa, Tongdan Jin
Ingenieurschule Ingram
Staatliche Universität Texas
San Marcos, TX 78666, USA

Zusammenfassung

Der öffentliche Busverkehr ist eine wichtige Dienstleistung für alle bewohnten Gebiete, und ein Großteil dieser Dienstleistung beruht auf strukturierten Fahrrouten. Während der Fahrt verbrauchen die Busse große Mengen an fossilen Brennstoffen, was die Umwelt belastet und Betriebskosten verursacht. Ziel dieses Beitrags ist es, eine nachhaltige Lösung für die Busroutenplanung vorzuschlagen, die den jährlichen Kraftstoffverbrauch bei garantierter Servicequalität minimiert. Die Studie wird auf der Grundlage einer Busflotte durchgeführt, die derzeit mehr als 34.000 Studenten an einer öffentlichen Universität in Texas bedient. Mithilfe einer Fülle historischer Daten von der Webseite des Anbieters können die Standorte der einzelnen Busse während der Fahrt auf einer Route ermittelt werden. Zusätzlich zu den Beobachtungen vor Ort werden auch Laufzeitdaten über JavaScript Object Notation von der Website abgerufen und in fortschrittliche statistische Tools für die Entscheidungsfindung in Echtzeit eingespeist. Das Basismodell wird in SIMIO erstellt, validiert und mithilfe von Add-in-Funktionen optimiert, um die kraftstoffeffizienteste Busroute zu ermitteln. Die Studie zeigt, dass durch die Synthese von Big-Data-Analysen mit den Ankunftsmustern der Fahrgäste die Kraftstoffeffizienz um 10 bis 20 Prozent verbessert werden kann, wodurch 15 Prozent der Betriebskosten und 24 Tausend Tonnen Kohlendioxidemissionen pro Jahr eingespart werden könnten.

1. Einleitung

Im Jahr 2013 haben die Amerikaner 10,7 Milliarden Fahrten mit öffentlichen Verkehrsmitteln unternommen und damit die höchste jährliche Fahrgastzahl seit 57 Jahren erreicht. Der öffentliche Nahverkehr ist ein Wirtschaftszweig mit einem Umsatz von 58 Milliarden Dollar, in dem fast 400.000 Menschen in 7.100 Dienstleistungsunternehmen in den Vereinigten Staaten beschäftigt sind. Der Zugang zu Bus- und Bahnlinien reduziert die Zahl der Fahrten pro Haushalt und Jahr um 4.400 Meilen (1 Meile = 1,6 km) und spart landesweit 450 Millionen Gallonen Kraftstoff pro Jahr sowie weniger Verkehrsstaus [1]. Da der Verkehr weiter zunimmt, steigt die Nachfrage nach qualitativ hochwertigen öffentlichen Verkehrsmitteln ständig. Ein sehr vielseitiges Instrument zur Deckung dieses Bedarfs ist der Einsatz von Bussystemen. Die Fähigkeit dieser Systeme, sich an neue Anforderungen anzupassen und die Flexibilität der Streckenanpassung machen sie lebensfähiger im Vergleich zu anderen Optionen, die kostspielige und starre Infrastrukturen wie U-Bahnen oder Eisenbahnsysteme erfordern. Der Vorteil der Bewältigung des organischen Wachstums dicht besiedelter Gebiete ist wichtig für die Maximierung der Verkehrsleistung durch Big-Data-Intelligenz, fortschrittliche Analytik und Informationstechnologie.

Die Minimierung der Wartezeit der Fahrgäste und die Senkung der Betriebskosten sind zwei grundlegende Kriterien für die Bewertung des Bussystems. Die Planung und Entscheidung, wie eine Busroute organisiert wird, um einen optimalen Service zu bieten, hängt von mehreren Faktoren ab, darunter die Nachfrage an den Standorten, Routenpläne, Flottengröße und Unterstützungseinrichtungen. Ein wichtiger Faktor, der bei dieser Gleichung berücksichtigt werden muss, ist der von den Bussen verursachte Kohlenstoff-Fußabdruck und die damit verbundenen Kosten. Die untersuchte Busflotte verwendet beispielsweise Dieselkraftstoff, und jeder Bus verbraucht in einer 12-Stunden-Schicht etwa 136 Gallonen bei Kraftstoffkosten von 3,05 $ pro Gallone. Ausgehend von der Tatsache, dass die Verbrennung einer Gallone Diesel 10,18 kg CO2 [2] erzeugt, erreicht der tägliche Kohlenstoffausstoß bis zu 1.384 kg pro Bus. Außerdem belaufen sich die Kosten für den Betrieb eines Busses pro Schicht auf etwa 1.012 $, was zu Kosten von 1.425 $ pro 12-Stunden-Schicht pro Bus führt. Aus diesem Grund ist die Erstellung einer optimalen Busroute und eines optimalen Fahrplans von entscheidender Bedeutung für die Minimierung der Treibhausgasemissionen und der Betriebskosten.

Bestehende Studien über Busrouten und -fahrpläne umfassen in der Regel analytische Methoden und Feldbeobachtungen. Obwohl es viele Werkzeuge gibt, ist ein bekannter Ansatz der Bus Rapid Transit (BRT) Planungsleitfaden [3]. Die aktuelle Version umfasst über 800 Seiten und enthält Beiträge von zahlreichen Fachleuten und Praktikern mit direkter Erfahrung in der Planung und Umsetzung von BRT-Systemen auf der ganzen Welt. Der Leitfaden bietet Planern die Möglichkeit, ein Busliniensystem zu entwerfen und umzusetzen. Die im gesamten BRT verwendeten Methoden basieren auf analytischen Modellen für die Verkehrsanalyse und Entscheidungsfindung. Einige Methoden zur Umsetzung von Routen bieten Vergleichstabellen mit Vor- und Nachteilen als Entscheidungshilfe; ein Beispiel hierfür ist die Zuweisung von Bushaltestellen [4]. Statische Busrouting-Methoden könnten jedoch ineffizient sein oder aufgrund der variablen Betriebsumgebung zu großen Mengen an Kohlenstoffemissionen und zusätzlichen Betriebs- und Wartungskosten führen.

Im Gegensatz zu den derzeitigen Ansätzen werden in dieser Studie Echtzeit-Busbetriebsdaten mit fortschrittlichen Simulationswerkzeugen (z. B. SIMIO) integriert, um mögliche Verbesserungen für ein Busroutensystem unter Berücksichtigung der Fahrgastschwankungen zu entwickeln. Das erstellte Basismodell stellt die aktuelle Strecke in der Studie dar und wird bei der Planung von Experimenten als Ansatz für die Schaffung eines umweltfreundlicheren und kostengünstigeren Verkehrssystems verwendet. Excel, Minitab und JMP werden für die Verarbeitung und Analyse der Daten verwendet, die in SIMIO integriert sind. Die Software OptQuest wird in SIMIO eingesetzt, um Konfigurationen für die Grundlinie zu erstellen und zu simulieren und optimale Lösungen zu finden.

Der Rest des Papiers ist wie folgt gegliedert: In Abschnitt 2 wird ein allgemeiner Rahmen vorgestellt, in dem mehrere Datenquellen zusammengeführt und in SIMIO eingespeist werden, um eine Simulationsumgebung für Routing-Entscheidungen zu schaffen. In Abschnitt 3 wird eine erste Datenanalyse durchgeführt und in Abschnitt 4 wird das Simulationsmodell eingehend überprüft und validiert. In Abschnitt 5 werden die Architektur der Experimente und die Lösungsmethodik beschrieben. Abschnitt 6 enthält das vorgeschlagene Modell für die Implementierung des realen Busverkehrssystems sowie die prognostizierten CO2- und Kosteneinsparungen. Abschnitt 7 schließt das Papier ab.

Die Lösung

2. Methodik

2. 1 Ansatz

Die Informatik, einschließlich Echtzeit- und historischer Daten, wird genutzt, um die Effizienz der aktuellen Basisroute in der Studie zu verbessern. Dadurch werden Schadstoffe und Treibhausgase, die in die Atmosphäre gelangen, erheblich reduziert, und durch die Verkürzung der Gesamtfahrstrecke werden auch Kosteneinsparungen erzielt. Das Basisbussystem besteht aus zehn regulären Linien. Darüber hinaus gibt es vier Abendlinien, vier Nachtlinien und fünf Samstagslinien. Transdev, der Busunternehmer, setzt insgesamt 45 Busse ein, von denen 43 neu sind. In dieser Studie liegt der Schwerpunkt auf der Bobcat Village Route, die mit maximal drei Bussen betrieben wird, doch kann die vorgeschlagene Methode verallgemeinert und auf andere Buslinien ausgedehnt werden. Wie in Abbildung 1 dargestellt, folgen alle drei Busse der gleichen Streckenführung: Die Busse fahren von Bobcat Village Nord nach Bobcat Village Süd, von Bobcat Village Süd nach LBJ, von LBJ zum Quad und vom Quad nach Bobcat Village Nord und wiederholen diesen Zyklus während der gesamten Dauer eines jeden Tages. Die aktuelle Streckenabfolge und der tägliche Fahrplan der Busse sind ebenfalls in Abbildung 1 dargestellt. Beachten Sie, dass Matthews keine Haltestelle ist und alle Haltestellen in Bobcat Village sich im gleichen Komplex befinden, mit einem Abstand von 0,05 Meilen.

2.2 Große Datenerhebung

Im Sommer 2014 hat der Texas State Bus Service nicht nur die Busse, sondern auch die Art und Weise, wie die Busse geortet werden, erheblich verbessert. Mithilfe von Apple iPads senden die Busse ein GPS-Signal (Global Positioning System) aus, das in den meisten Handys und Tablet-Geräten zu finden ist. Die Webmanager sind in der Lage, diese Daten auf eine Karte zu übertragen, so dass der Endnutzer in Echtzeit sehen kann, wo sich ein Bus auf einer bestimmten Strecke befindet. Die in dieser Fallstudie gesammelten Echtzeitdaten werden mit Hilfe einer JavaScript Object Notation aus den Rohdaten der Karte abgerufen. Auf diese Weise konnten wir kontinuierlich Echtzeit-GPS-Daten von der Website abrufen und die täglichen Informationen in einer riesigen Textdatei mit mehr als 700 000 Zeilen Rohdaten speichern. Die Rohdatenzeilen enthalten Informationen wie: Route, Busidentifikation, Uhrzeit, Datum, GPS-Aufzeichnungen und andere Informationen, die nicht direkt genutzt, aber verarbeitet wurden. Mehr als sieben Millionen Zellen, die von jeder Datei erzeugt werden, werden in eine analytische Umgebung gebracht, wo sie später analysiert werden.

2.3 Unterstützende Daten

Quantitative und qualitative Daten werden mit den oben beschriebenen Methoden erhoben. Mit Hilfe von Zeitstudien werden Beobachtungsdaten in den folgenden Kategorien gesammelt: Ankunftszeit des Busses, Verweilzeit des Busses, Zeit zwischen den Ankünften der Schüler in Fünf-Minuten-Schritten und Zeit zwischen Bobcat Village Nord und Bobcat Village Süd. Alle Beobachtungsdaten sind mit einem Zeitstempel versehen, um eine Korrelation zwischen den Datenquellen zu ermöglichen. Ergänzende Daten werden auf Anfrage auch von den Texas State Transportation Services zur Verfügung gestellt. Diese Informationen werden in Excel übertragen, wo sie später interpretiert und für die Verwendung bei der Planung und Validierung organisiert werden. Die qualitativen Daten werden für den Entwurfsprozess und die unten beschriebenen Experimente verwendet.

3. Erste Datenanalyse

3.1 Analyse großer Datenmengen

Die gesammelten Massendaten werden ausgewertet und alle relevanten Informationen in Excel-Tabellen importiert, wo die GPS-Punkte und Zeitstempel zur Berechnung der Fahrzeiten zwischen benachbarten Haltestellen verwendet werden. Die GPS-Zeitpfade werden in zweistündigen Intervallen nach der Tageszeit geordnet, um unterschiedliche Verkehrs- und Umweltmuster zu berücksichtigen.

Die Daten werden mit Hilfe von Analysetools in Excel, Minitab und JMP analysiert, um die entsprechenden Verteilungen zu generieren, die in die Simulationsplattform SIMIO implementiert werden. Abbildung 2 zeigt das zweistündige Zeitintervall im Vergleich zur Ankunftszeit des Busses zwischen benachbarten Haltestellen; es zeigt sowohl räumliche als auch zeitliche Variationen auf der aktuellen Route. Die Zeiten zwischen Bobcat Village Nord und Bobcat Village Süd sind in der obigen Abbildung nicht enthalten, da die Zeiten aufgrund einer ausgewiesenen Busspur ohne Unterbrechung für die 0,05 Meilen Abstand zwischen den Haltestellen konsistent waren. Die interpretierten Daten werden in einer organisierten Umgebung implementiert, die auf der Markov-Prozess- und Warteschlangentheorie beruht. SIMIO ermöglicht die Durchführung eines Modells mit vielen Replikationen, um Ergebnisse mit einem Konfidenzniveau von 95 Prozent zu erzielen.

3.2 Validierung der Daten

Die vom Verkehrsdienst bereitgestellten Daten und Informationen werden zusammen mit den gesammelten Daten zur Validierung der GPS-Ergebnisse verwendet. Die Daten über die Ankunft der Schüler werden in Excel-Tabellen in demselben Format eingegeben, in dem sie aufgezeichnet wurden und das später beim Entwurf des Simulationsmodells verwendet wird. Der Entwurfsansatz für die Modellierung des aktuellen Bussystems wird durch die Analyse der Daten in einer organisierten Umgebung bestimmt. Alle gesammelten und analysierten Daten ermöglichen die Modellierung des aktuellen Systems mit einer genauen Echtzeitdarstellung der bestehenden Bobcat Village Busroute auf der Grundlage der GPS-Daten in Verbindung mit anderen Quellen. Die Daten werden bei der Fahrplangestaltung, der Buszuweisung und anderen logischen Planungen innerhalb der SIMIO-Umgebung verwendet. Die qualitativen Daten werden interpretiert und helfen bei der Planung, um bestimmte Präferenzen für die Route und zusätzliche Einschränkungen in Bezug auf den Prozess zu bestimmen.

4. SIMIO Methodik und Umsetzung

4.1 SIMIO-Umgebung

SIMIO wurde entwickelt, um das objektorientierte Simulationsparadigma mit groß angelegten Anwendungen auf der Grundlage der agentenbasierten Modellierung zu unterstützen. Objekte können in Bibliotheken erstellt und gespeichert werden und lassen sich leicht abrufen und gemeinsam nutzen. Ein generisches Objekt kann eine Maschine, ein Kunde, ein Bus, ein Schiff oder jede andere Entität sein, die in Systemen vorkommen kann. Zu den Objekten in dieser Studie gehören Busse, Schüler, Haltestellen und Routen. Ein SIMIO-Modell sieht aus wie das reale System, und die Modelllogik und die Animation werden in einem einzigen Schritt erstellt. Ein Objekt kann animiert werden, um den sich ändernden Zustand des Objekts widerzuspiegeln, was in dieser Studie den Busbewegungen entspricht. Diese Art der diskreten Ereignissimulation ermöglicht es uns, das Verhalten des komplexen Systems in der Studie mit einer großen Menge an gesammelten Daten zu modellieren. Ein einfaches Betrachtungsmodell wurde mit Hilfe von Google Earth, Google Sketch Up, Trimble 3D Warehouse und SIMIO (hier nicht abgebildet) erstellt und in Abbildung 3 zusammen mit einem Nachbildungsmodell der Buslinie von San Marcos dargestellt.

Das Modell läuft von Montag bis Donnerstag von 6 Uhr morgens bis 20 Uhr abends mit einer einstündigen Aufwärm- und Abkühlphase. Es werden vier Arten von Objekten erstellt, die die Schüler je nach ihrem Zielort repräsentieren: LBJ, Quad, Bobcat Village North und Bobcat Village South. Die Entitäten betreten und verlassen das Modell über "Quellen" und "Senken", die zusammengenommen Bushaltestellen darstellen. Das Streckensystem ist durch zeitliche Pfade verbunden, die auf der Grundlage der aktuellen Streckenabfolge festgelegt werden. Die Busse ermöglichen es den Einheiten, zwischen den Haltestellen auf der Route zu reisen. Das Modell enthält auch eine Kostenanalyse für die Busse auf der Grundlage des durchschnittlichen Kraftstoffverbrauchs und der vertraglich festgelegten Betriebskosten pro Stunde. Das Modell enthält Ausgabestatistiken, die während der Simulation angezeigt werden und Echtzeit-Rückmeldungen für die Gesamtkosten, die individuellen Kosten pro Bus und die Anzahl der Fahrgäste, die derzeit in einem bestimmten Bus fahren, erzeugen.

4.2 Entitäten

Für jede der vier Bushaltestellen wird eine Tariftabelle erstellt. Die Tarifeinheiten für die Tabellen des Poisson-Ankunftsprozesses sind Ankünfte pro Stunde. Die Rate wird in 156 Intervallen von fünf Minuten festgelegt. Die Zeit basiert auf der internen Uhr der Simulation. Alle fünf Minuten wird eine Rate angegeben, die auf der Anzahl der Ereignisse pro Stunde basiert. Diese Rate wird mit Hilfe der Exponentialverteilung erzeugt. Zum Beispiel (siehe Tabelle 1) ist die Ankunftszeit zwischen 7:20:00 und 7:25:00 exponentialverteilt mit einem Mittelwert von 43,2 Ankünften (d.h. Ereignissen) pro Stunde. Wenn die Quelle beginnt, eine Entität zu erstellen, wird auf eine separate Tabelle verwiesen, um die Art der zu erstellenden Entität zu bestimmen.

Tabelle 1: Auszug aus einer Tabelle der Bushaltestellenankünfte am Morgen von Tag 1

Tabelle 2 veranschaulicht die Referenztabelle, die von den Quellen bei der Erstellung von Entitäten verwendet wird. Diese wird als Matrix gelesen, wobei die Quelle durch die Spalte und die Wahrscheinlichkeit eines bestimmten Schülertyps durch die Zeilen der Spalte definiert wird. Nachdem die Entität erstellt wurde, wird der Entität von der Quelle auf der Grundlage des Entitätstyps ein Ziel zugewiesen. Die Entitäten warten dann in den Ausgangswarteschlangen der Quelle darauf, von Transporteuren abgeholt zu werden.

Tabelle 2: Zielwahrscheinlichkeit für Schüler

4.3 Transporter (Busse)

Auf der Bobcat Village-Buslinie werden drei Busse eingesetzt, die jeweils unterschiedliche Start- und Endzeiten haben (siehe Abbildung 1). Die Busse folgen den Zeitpfaden zwischen den Haltestellen, die so eingestellt sind, dass sie die Zeit innerhalb der Simulation auswerten und somit bestimmen, welche Verteilung und Werte während eines bestimmten zweistündigen Zeitintervalls zu verwenden sind. Auf diese Weise können die GPS-Daten in Abhängigkeit von der Tageszeit verwendet werden, um die Verkehrsbedingungen zu simulieren. Während der Abholung der Einheiten muss der Transporter warten, bis die Einheiten be- und entladen sind. Dies wird mit Hilfe der in Minitab eingebetteten Funktion Random Uniform realisiert. Die Ladezeit für jeden Bus ist zufällig zwischen einer und drei Sekunden pro Person verteilt. Jeder Bus hat eine maximale Sitzplatzkapazität von 60 Plätzen einschließlich des Fahrers. Für das Modell ist es angemessen, 59 als maximale Buskapazität zu wählen, indem der Fahrersitz ausgeschlossen wird.

4.4 Abläufe

Ein zusätzlicher Auslöser, Ausführungsschritt oder ein Ereignis kann einen Prozess initiieren. Prozesse werden mit verschiedenen Schritten entworfen, die ausgeführt werden, wenn sie gestartet werden. Prozesse werden im gesamten Simulationsmodell verwendet, um eine Reihe von Logiken auszuführen.

Abbildung 4 zeigt einen der 14 Prozesse, die in der Busreisesimulationsumgebung entwickelt wurden. Ein Prozess, der zu Beginn des Modells initialisiert wird, bewertet auf der Grundlage der Steuerungen, wann ein Bus starten darf. Die Endzeit für zwei Busse wird durch einen ähnlichen Prozess bestimmt. Für den dritten Bus wird ein Prozess verwendet, der die Möglichkeit vorsieht, dass der Bus während des Tages außer Dienst geht und dann bis zur Endzeit wieder in den Dienst zurückkehrt. Die Busbetreiber versuchen, während des Tages einen Abstand von zehn Minuten zwischen den einzelnen Bussen einzuhalten. Wenn ein Bus dem Fahrplan voraus ist, verweilt er immer auf dem Quad. Der Abstand wird durch die Verwendung einer separaten Einheit, einer Quelle, eines Zeitpfads und einer Senke geschaffen. Wenn ein Bus den zugewiesenen Aufenthaltsort verlässt, löst er einen Prozess aus, der eine Quelle veranlasst, eine Entität zu erstellen, die einem Zeitpfad mit einem Standardabstand von zehn Minuten folgt. Wenn dies der Fall ist, verweilt der Bus so lange, bis die Senke durch die Entität veranlasst wird, einen Prozess auszuführen, der ein Ereignis auslöst, um den Bus freizugeben. Innerhalb des Modells werden viele Prozesse verwendet, darunter der Großteil der Logik, die für die Referenzeigenschaften verantwortlich ist.

4.5 Referenz-Eigenschaften

Referenzeigenschaften (Steuerelemente) werden innerhalb des Modells unter Verwendung ähnlicher Logikmethoden definiert, die in diesem Dokument enthalten sind. Wie bereits erwähnt, sind Start- und Endzeiten für Busse benutzergesteuert und werden von den Prozessen eingerichtet. Zusätzlich können mit verschiedenen Kombinationen der Steuerelemente Verweilkonfigurationen und die Möglichkeit, eine Haltestelle zu entfernen, eingestellt werden. Die Beziehung zwischen den Steuerungen und der Basiskonfiguration ist in Tabelle 3 dargestellt. Der aktuelle Zeitplan basiert auf der internen Simulationsuhr, die 14 Stunden lang von 6 Uhr morgens bis 20 Uhr abends läuft. Diese Steuerelemente werden später im Experimentierprozess als systematischer Ansatz für die Entwicklung möglicher Verbesserungen der Route verwendet.

Tabelle 3: Zusammenfassung der Steuerungsparameter

4.6 Modellüberprüfung

Die Basiskonfiguration wird 200 Mal repliziert und anhand der Daten getestet. SIMIO-Simulationen liefern eine große Menge an Ausgabestatistiken für alle Objekte innerhalb des Modells, die zur Validierung des Systems verwendet werden. Die vielen Wiederholungen des Basisszenarios liefern wertvolle Daten, die mit den Echtzeit-Beobachtungsdaten sowie den vom Verkehrsamt der Universität gesammelten Daten verglichen werden. Die Erwartungen und die Simulationsergebnisse stimmen überein, was die Gültigkeit des Modells und seine Darstellung des untersuchten realen Systems beweist. Durch die Nutzung dieser Informationen wird festgestellt, dass nach Lösungen gesucht werden kann, nachdem dieses Modell verwendet wurde, um mehrere Experimente zu entwerfen und eine wahrscheinliche Lösung zu ermitteln, die zu niedrigeren Betriebskosten und geringeren Umweltauswirkungen führt.

5. Experimente

5.1 Planung von Experimenten

Bei dem Experiment handelt es sich um eine Mehrzielplanung, bei der die durchschnittlichen Wartezeiten das am stärksten gewichtete Ziel sind, gefolgt von den maximalen Wartezeiten bzw. Kosten. Die Antworten werden mit Hilfe von Ausdrücken definiert, die sich auf jede bestimmte Ausgabestatistik beziehen. Die Antworten sind so definiert, dass sie die Zeit oder die Kosten minimieren und mit einem Zielgewicht versehen sind. Die Referenzeigenschaften sind die Kontrollen innerhalb des Experiments, die leicht manipuliert werden können, um alternative Routing-Szenarien zu erzeugen.

Den Antworten werden Minimal- und Maximalwerte mit der Schrittweite zugewiesen, in der sich ein bestimmter Antwortwert ändern kann. Zusätzlich werden Einschränkungen durch das Schreiben allgemeiner Ausdrücke implementiert, um zu verhindern, dass das Optimierungsmodell nicht durchführbare Konfigurationen erzeugt. Optimale Lösungen werden mit Hilfe der Zusatzsoftware OptQuest erstellt. In diesem Experiment werden in OptQuest mindestens 35 Replikationen und maximal 3.000 Szenarien erstellt. Die Software erzeugt und simuliert Szenarien unter Verwendung der Kontrollen und interpretiert die Antworten, bevor sie neue Szenarien erzeugt. Die historischen Daten aus jedem simulierten Szenario werden verwendet, wenn die neuen Szenarien erzeugt werden, um mögliche Lösungen auf der Grundlage der Zielfunktion zu finden. OptQuest fährt fort, den Prozess zu duplizieren, bis eine optimale Lösung gefunden oder die maximale Anzahl von Szenarien simuliert wurde.

5.2 Durchführung von Experimenten

OptQuest führt das Experiment aus und führt bis zu 105.000 Simulationen durch, je nach Versuchsplan. Nach Abschluss des Experiments werden die Ergebnisse anhand der Parametereinstellungen für die Antwortvariablen sortiert, um Szenarien auszuschließen, die außerhalb der Zielvorgaben liegen. Die verbleibenden Szenarien werden in ein weiteres Experiment exportiert, um weitere Replikationen durchzuführen und mit dem Basismodell zu vergleichen. In dem neuen Experiment wird der Entwurf für 200 Wiederholungen pro Szenario simuliert, einschließlich der möglichen Lösungen und sechs Konfigurationen des Basismodells mit demselben Routenplan. Zu Vergleichszwecken werden die sechs Konfigurationen, die verschiedene Szenarien darstellen, wie folgt zusammengefasst
1) Grundlinie
2) Basisszenario mit LBJ-Wohnanlage
3) Basisszenario mit Wegfall von Bobcat Village South
4) Basisszenario mit entfernter Haltestelle und geteilter Wohnung für morgens und abends
5) Basisszenario ohne Haltestelle und mit geteiltem Aufenthalt, wobei der Aufenthalt am Abend am LBJ stattfindet
6) Grundlinie mit geteilter Wohnung

Als Nächstes werden die Ergebnisse des neuen Experiments weiter untersucht, um mögliche Verbesserungen auf der Grundlage der größeren replizierten Szenarien für die Datengenauigkeit auszuwählen.

5.3 Analyse der Experimente

Die Szenarien, die der Route und dem geforderten Service (in Bezug auf die maximalen und durchschnittlichen Wartezeiten) unterlegen sind, werden im Experiment mit Hilfe von "weniger als"-Funktionen eliminiert. Dann wird der Vergleich der Konfigurationen und Antworten weiter analysiert, um die Läufe auszuwählen, die die anderen möglichen Lösungen übertreffen. In SIMIO werden Diagramme erstellt, um die Qualität der einzelnen Szenarien zu bestimmen. Die Diagramme basieren auf den von Barry Nelson [7] entwickelten Measure of Risk and Error (MORE)-Diagrammen und den SIMIO-Etiketten SMORE [8]. Die Diagramme zeigen erweiterte Boxplots, Histogramme und Punktdiagramme auf der Grundlage der gewünschten Antworten und ausgewählten Szenarien. Abbildung 5 zeigt ein Beispiel für ein SMORE-Diagramm für die durchschnittliche Wartezeit in Bobcat Village North im Vergleich zu den sechs Konfigurationen der Baseline. Die Software ermöglicht es, alle Antwortvariablen auf diese Weise zum Vergleich darzustellen. Die ausgewählten möglichen Lösungsszenarien, die große Abweichungen oder Ausreißer aufweisen, werden entfernt. Die endgültigen Lösungen werden auf der Grundlage der Qualität der Ausgabestatistiken bestimmt. Obwohl es eine große Anzahl von machbaren Lösungen gibt, werden viele auf der Grundlage der Vergleiche und Präferenzen, die aus den qualitativen und quantitativen Daten abgeleitet werden, ausgeschlossen.

Die Auswirkungen auf das Unternehmen

6. Ergebnisse und Empfehlungen

Durch bestimmte Konfigurationen bei der Fahrplangestaltung, die Aufhebung einer Haltestelle und die Verweilzeiten der Busse kann die Strecke große Kosten- und CO2-Einsparungen erwarten, ohne dass die Qualität der Dienstleistungen für die Schüler darunter leidet (siehe Tabellen 4-6).

Tabelle 4: Antwortergebnisse (Zeiteinheit: Minuten)

6.1 Kostenreduzierung

Das SMORE-Diagramm für die Kostenszenarien zeigt, dass die berechneten Kosten aus den Replikationen als gültig angesehen werden können (siehe Abbildung 6). Die Szenarien zeigen viele gute Lösungen mit einer großen Bandbreite an möglichen Einsparungen. Tabelle 5 zeigt die voraussichtlichen Kosteneinsparungen auf der Grundlage eines pessimistischen, realistischen und optimistischen Szenarios. Die erwarteten Kosteneinsparungen liegen zwischen 10 und 20 %. So zeigt das pessimistische Szenario, dass bis zu 400 $ pro Bus und Tag eingespart werden könnten, während die optimistische Lösung eine Einsparung von bis zu 800 $ ermöglicht. Selbst unter den pessimistischen Bedingungen kann die jährliche Einsparung 420.000 $ pro Jahr erreichen, was die laufenden Kosten um zehn Prozent senkt.

Tabelle 5: Voraussichtliche Kostenreduzierung

Berechnete Kosten ($)

6.2 Kohlenstoff-Einsparungen

Die Verringerung der Fahrstrecke kommt nicht nur der Reduzierung der Betriebskosten zugute, sondern spart auch die Umweltkosten. In Kombination mit anderen Kontrollen basieren die prognostizierten CO2-Einsparungen auf den gleichen Szenarien wie in Abschnitt 6.1 beschrieben und in Tabelle 6 dargestellt. Die geschätzten CO2-Einsparungen liegen zwischen 10-23%. Die daraus resultierende Gesamteinsparung kann bis zu 11.556 kg Kohlenstoff pro Tag oder fast 24 Tausend Tonnen Kohlenstoffemissionen pro Jahr betragen, die vermieden werden.

Tabelle 6: Voraussichtliche CO2-Einsparungen

6.3 Empfehlungen

Auf der Grundlage der Simulationsergebnisse kann der Busservice durch die Umsetzung einer oder mehrerer der folgenden Empfehlungen verbessert werden: 1) Aufhebung der Haltestelle Bobcat Village South; 2) Verlegung der Haltestelle Bobcat Village North bis 9:30 Uhr; und 3) Weiterfahrt nach LBJ für den Rest des Tages. Darüber hinaus kann eine Änderung der Fahrpläne der Busse zu einer erheblichen Kostenreduzierung und Kohlenstoffeinsparung führen. Obwohl viele Lösungen möglich sind, bietet die vorgeschlagene Lösung (siehe Tabelle 7) den gewünschten Service und reduziert gleichzeitig das Betriebsbudget und die Umweltauswirkungen erheblich. Der Zweck liegt zwischen dem realistischen und dem optimistischen Szenario mit Einsparungen von über 600 $ (siehe Tabellen 5 und 6), was zu Einsparungen von mehr als 15 % sowohl bei den Kohlenstoffemissionen als auch bei den Betriebskosten führt.

Tabelle 7: Vorgeschlagene Lösung für Kontrollparameter und -variablen

7. Schlussfolgerung

Diese Forschung zielt darauf ab, ein nachhaltiges Bussystem mit Hilfe von Big-Data-Informatik in Echtzeit zu entwickeln, um die Betriebskosten und den Kraftstoffverbrauch zu senken, ohne die Qualität der Dienstleistung zu beeinträchtigen. Aufgrund der dynamischen Betriebsbedingungen können statische Busrouting-Methoden ineffizient sein und zu großen Mengen an Kohlenstoffemissionen sowie zusätzlichen Betriebs- und Wartungskosten führen. Diese Fallstudie zeigt, dass durch die Zusammenführung von Echtzeit-GPS-Daten mit verfügbaren Reiseinformationen ein genaues Simulationsmodell erstellt werden kann, das es dem Planer ermöglicht, den zeitlichen Pfad und die physische Route zu optimieren. Im Gegensatz zur statischen Routenoptimierung kann sich das datengesteuerte Modell mit den sich ändernden Eigenschaften einer Route weiterentwickeln und eine adaptive Lösung in einer unsicheren Umgebung hervorbringen. Das vorgeschlagene Modell und der Simulationsansatz lassen sich leicht mit handelsüblicher Software umsetzen. Die Studie befindet sich nun in der Phase der möglichen Umsetzung einer Lösung im universitären Busverkehrssystem auf der Grundlage der vorläufigen Ergebnisse. Es wurde berechnet, dass die vorgeschlagene Routenkonfiguration über einen Zeitraum von zehn Jahren zu Kosteneinsparungen in Höhe von 11,3 bis 20,2 Millionen Dollar und einer zusätzlichen Verringerung des CO2-Fußabdrucks um 11,4 bis 24,3 Tausend Tonnen führt. Für zukünftige Forschungen wird diese Studie das Simulationsmodell erweitern und verallgemeinern, um die Big-Data-Analytik in Verbindung mit den aktuellen Verkehrssystemen zu fördern und so schädliche Schadstoffemissionen und Kosten erheblich zu reduzieren.

Danksagung

Ein besonderer Dank geht an Steven Herrera, Stephanie Daniels und Alex Vogt von den Texas State Transportation Services, die wichtige Daten und Einblicke in die Busroute zur Verfügung gestellt haben. Ein weiterer Dank geht an Phillip Bateman für die Unterstützung bei der Datenerfassung und an Jacob Warren für die Bereitstellung der Weblinks zu den Rohdaten und den Hinweis auf die Verwendung eines JSON. Außerdem Rick Swan für die Erstellung des JSON und die Speicherung der Daten. Diese Forschungsarbeit wird teilweise vom USDA unter der Subventionsnummer 2011-38422-30803 unterstützt.

Referenzen

1.(WPTGCG) "Wo öffentlicherTransportation Goes, Community Grows"
http://www.publictransportation.org/news/facts/Pages/default.aspx,(Zugriff am 20. Januar 2015)
2.EPA, "Greenhouse Gas Emissions froma Typical Passenger Vehicle", verfügbar unter
http://www.epa.gov/otaq/climate/documents/420f14040.pdf,(Zugriff am 21. Januar 2015)
3 L. Wright, W. Hook, Bus Rapid Transit Planning Guide, 3rd Edition, Institute for Transportation & Development Policy, veröffentlicht im Juni 2007,https://www.itdp.org/wp-content/uploads/2014/07/Bus-Rapid-Transit-Guide-Complete-Guide.pdf,(Zugriff am 1. Dezember 2014)
4) Transit Capacity and Quality of Service Manual, 2nd Edition, Transportation Research Board, Washington, D.C. http://www.trb.org/main/blurbs/169437.aspx(Zugriff am 14. November 2014)
5) TCRP Report 118, Bus Rapid Transit Practitioner's Guide, Transportation Research Board, Washington, D.C.http://onlinepubs.trb.org/onlinepubs/tcrp/tcrp_rpt_118.pdf,(Zugriff am 20. November 2014)
6) Route 12-Bobcat Village,http://www.shuttle.txstate.edu/springschedule/Campus/route12.html,(Zugriff am
30. Januar 2015).
7 B. L. Nelson, "The more plot: Displaying measures of risk and error from simulation output.", in Proceeding of the 2008 Winter Simulation Conference, 2008, S. 413-416.
8. d. Kelton, J. Smith, D. Sturrock, Simio & Simulation: Modeling, Analysis, Applications, 2. Auflage, McGraw Hill, Boston, 2011.

Matthew Snead, David Holt und Michael Mullen sind von der Texas State University und vertretenSimgineers.