Tecniche di Machine Learning e simulazione per la modellazione delle metropolitana

Abstract

I processi operativi delle metropolitane devono essere valutati considerando diverse condizioni di domanda dei passeggeri e di servizio. La simulazione a eventi discreti consente di rappresentare le interazioni tra passeggeri e treni; tuttavia, eseguire nuove simulazioni per ogni scenario richiede molto tempo. Questo studio mira pertanto a sviluppare un modello surrogato basato sull’apprendimento automatico, in grado di stimare rapidamente i principali risultati della simulazione della Metropolitana di Genova in presenza di nuove condizioni di input. È stato utilizzato un modello ExtendSim per rappresentare le operazioni tra Brignole e Brin in entrambe le direzioni. I risultati prodotti dal modello sono stati successivamente utilizzati per addestrare modelli di regressione basati su Random Forest. Tali modelli non sono destinati a sostituire il simulatore, ma apprendono le relazioni tra gli input e gli output della simulazione e forniscono stime rapide senza richiedere una nuova esecuzione del modello per ogni variazione operativa. I modelli hanno riprodotto gli output con un’elevata accuratezza predittiva anche per scenari non utilizzati durante l’addestramento. Il modello risultante integra la simulazione a eventi discreti con l’apprendimento automatico, consentendo una rapida analisi di condizioni operative alternative della metropolitana e mantenendo, al contempo, il livello di dettaglio operativo.

Urban metro processes need to be assessed under different passenger demand and service conditions. Discrete event simulation shows to us passenger and train interactions, but rerunning a simulator for every scenario need a many time. This study goals are developed a machine learning Proxy that rapidly estimates the principal out puts of the Genoa Metro simulation for new input conditions. An ExtendSim model was used to represent operations between Brig nole and Brin in both directions, and its outputs were used to train Random Forest regression models. These models do not replace the simulator; instead, they learn its input and output relationships and rapidly estimates without requiring a new simulation run for every operational change. The models created the outputs with high predictive accuracy for scenarios not used during training. The resulting model integrates discrete-event simulation with machine learning to enable rapid anal ysis of alternative metro operating conditions with a model that main tains operational detail.