问题

澳大利亚的公共交通服务领域正在为响应人口统计数据上的改变而进行转型。这需要联邦政府整合联运方式并对主要基础设施进行投资。为了更好的迎接这个新的挑战，公共交通公司需要从客户的角度理解交通网络。广泛使用的公共交通智能卡为此项研究提供了了充足的信息。

公共交通公司雇佣了PwC澳大利亚分公司寻求解决方案。该方案需要能够提供以乘客为中心的铁路基础设施的整体概观，以此来帮助公司理解铁路网络运转中的事故效应及改善这些情况的方法。具体来说，公司希望：

• 推断一个事故（例如，列车出轨、发动机故障、医疗急救）对潜在客户数量的影响。
• 在高层次网络视角对事故进行观察，以理解事故发生时的网络行为。
• 根据客户所在位置，为他们提供更准确的关于事故延迟的相关预测。
• 支持关于事故回应的操作和维护决定，包括计划预测响应时间、资源分配和事件优先次序
• 识别需要做根本原因分析的特别事故，例如，为什么某事故总是发生在某个特定的地方或是某种特定的运输工具上。

PwC顾问决定通过交通网络建模来对火车的运行、事故、和在车站及列车内的乘客进行仿真。

解决方案

模型动画及图形

PwC顾问选择AnyLogic来建立仿真模型，因为它具有将多种建模方法结合在一个模型中的能力，这对于成功模拟列车运行（离散事件建模）和客户行为（基于智能体建模）非常必要。第二个原因是它的可扩展性：在AnyLogic中，可以十分容易的将现有模型延展并适应新的网络发展计划，这样我们就能看出系统在新的设定下会如何工作。

该模型的输入数据来自各种来源（如交通公司、政府、和一些公开来源等），它包括：

• 网络布局（信号灯、轨道几何形位、车站、站台）。
• 列车数据（列车类型和每车厢的载客容量）
• 列车时刻表（路线、列车号、车厢数量）
• 对于恢复网络和在炎热天气下的运转规则，包括限速
• 事故数据（事故类型）
• 乘客数据（智能卡数据和现有的使用数据）

火车图形

使用AnyLogic轨道库重现了列车的运行逻辑。另外，考虑到此项目的特点，PwC专家在AnyLogic中还创建了一些自定义库组件。

首先，模型提供了对车站内乘客的网络概览：它在网络内显示了每个车站正在等候列车的乘客数量（包括乘客乘车的方向）和每辆列车内乘客的数量。

更为重要的是，公司可通过模型对网络内事故恢复行为和所需要的时间进行分析。如果某铁路发生事故，列车时间表将会发生大幅延误，特别是在高峰期。要使整个系统从事故中完全恢复、所有之后的列车按原计划运行，可能会需要好几个小时。因此模型输出必须包含网络事件图，可以清晰的显示每个事故对整个网络的影响时长，并允许用户测试、比较不同的事故处理方案。

模型收集的主要数据是乘客等待时间（LCM），计算方法是将特定的一辆列车内或一段交通网络内所有人被延误的分钟数相加。对各个情境下的LCM进行回顾很有必要（例如，在高峰时段和周末丢失的分钟数价值肯定是不同的）。

输出数据包括列车图，通过传统的方式来呈现列车在网络中的运行（见图）。此外，顾问使用GIS地图将模型可视化，我们可以直观的看到系统中发生的各个过程。这个列车图和模型动画展示了：

• 列车在网络中的位置
• 列车是否按时刻表运行
• 列车能否回程

结果

模型允许用户进行一个以乘客为中心的时间计算，与传统以列车为中心的方法相比更为精确，传统的方法往往低估或是高估了LCM。由于使用基于智能体的仿真，这种以乘客为中心的方法是可行的。

客户端能够测量事故时间对网络的影响，以测试和形成更有效的事故缓解策略（例如，在某些具体位置建立紧急援助小队进行医疗帮助来最大限度减少对乘客安全方面的延误）。它还能够根据受影响的乘客数量，制定事件响应优先策略。在该仿真模型的帮助下，用户可以根据LCM的预期影响来评估他们的投资和商业决策。

此外，将LCM作为一个以客户为中心的延迟指标，使交通公司能够在其结构中创建以客户为中心的目标和关键业绩指标（KPIs）。

未来顾问的工作包括将模型以其他交通形式和网络元素延展。他们还计划模拟乘客和车站行人的物理运动，来调查站台拥挤的问题。