kth.sePublications
Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Statistical Analysis of Departure Deviations from Shunting Yards: Case study from Swedish Railways
KTH, School of Architecture and the Built Environment (ABE), Civil and Architectural Engineering, Transport planning. (Train traffic and logistics)ORCID iD: 0000-0002-4945-3663
Division of Transport and Roads, Department of Technology and Society, Lund University.ORCID iD: 0000-0002-3906-1033
KTH, School of Architecture and the Built Environment (ABE), Civil and Architectural Engineering, Transport planning. (Train traffic and logistics)ORCID iD: 0000-0003-1597-6738
KTH, School of Architecture and the Built Environment (ABE), Civil and Architectural Engineering, Transport planning. (Train traffic and logistics)ORCID iD: 0000-0001-5269-4356
2021 (English)In: Journal of Rail Transport Planning & Management, ISSN 2210-9706, E-ISSN 2210-9714, Vol. 18Article in journal, Meeting abstract (Refereed) Published
Abstract [en]

Departure deviations from shunting yards impact the reliability of rail freight services and the punctuality of a railway network. Therefore, the statistical analysis of these deviations are necessary for improving the operation of trains in mixed-traffic networks. In our paper, we conduct a detailed statistical analysis of departure deviations considering individual shunting yards characteristics. We use a large freight train delay dataset comprising 250,000 departures over seven years for the two largest shunting yards in Sweden, comparable to other medium-sized shunting yards in Europe. To find the probability distribution of departure deviations, we compare four distribution functions including the exponential, the log-normal, the gamma, and the Weibull according to the maximum likelihood estimates and results of the Anderson-Darling goodness of fit test. In our experiments, we show that the log-normal distribution fits best for delayed departures across both shunting yards, and for early departures at one of them, whereas the gamma distribution fits best for early departures at the other yard. For the temporal delay distribution, we find that fluctuations in the network usage impact the percentage of delayed departures across hours and weekdays, but not across months or years. In addition, we find that freight trains are mostly delayed in the winter.  In the case of hourly delayed departures, we demonstrate that a shunting yard involved with domestic traffic showed a negative correlation between delayed departures and the network usage, whereas an international shunting yard did not, which indicates individuality in shunting yard operations impact shunting yard-network interactions. Our findings mainly contribute to better understanding of departure deviations from shunting yards, thus enhancing the operations and capacity utilization of shunting yards. Moreover, delay distributions can be beneficial in handling delays in traffic management models as well as enhancing the outputs of freight train simulation models

Place, publisher, year, edition, pages
Elsevier BV , 2021. Vol. 18
Keywords [en]
Shunting yards, departure deviations, delays, the probability distribution, the temporal delay distribution, exploratory data analysis
National Category
Transport Systems and Logistics
Research subject
Transport Science; Transport Science, Transport Systems; Järnvägsgruppen - Effektiva tågsystem för godstrafik; Järnvägsgruppen - Kapacitet
Identifiers
URN: urn:nbn:se:kth:diva-284669DOI: 10.1016/j.jrtpm.2021.100248ISI: 000658933800003Scopus ID: 2-s2.0-85103315788OAI: oai:DiVA.org:kth-284669DiVA, id: diva2:1485330
Projects
Shift2RailFR8HUBFR8RAIL III
Funder
Swedish Transport Administration
Note

QC 20210331

Available from: 2020-11-02 Created: 2020-11-02 Last updated: 2024-03-18Bibliographically approved
In thesis
1. Applying Data Analytics to Freight Train Delays in Shunting Yards
Open this publication in new window or tab >>Applying Data Analytics to Freight Train Delays in Shunting Yards
2020 (English)Licentiate thesis, comprehensive summary (Other academic)
Abstract [en]

The European Commission has foreseen a modal share of 30% by 2030 for rail freight transport. To achieve this increase in the modal share, enhanced reliability of rail freight services is required. Optimal functioning of shunting yards is one of the areas that can improve this reliability. Shunting yards are large areas allocated to reassemble freight trains for dispatching to new destinations. Their productivity has a direct impact on the overall performance of a rail freight network. Therefore, analysing and modelling of departure deviations from shunting yards are required to enhance the interactions between shunting yards and the network; this thesis contributes to this gap. Paper I investigates the probability and temporal distribution of departure deviations using a large data set comprising 250,000 departures over seven years from two main shunting yards (Malmö and Hallsberg) in Sweden. The probability distribution of departure deviations is found comparing four main distributions including the exponential, the log-normal, the gamma, and the Weibull according to the maximum likelihood estimates and the results of the Anderson-Darling goodness of fit test.  The log-normal and the gamma are shown the best fits for departure deviations: the former on delays, and the latter on early departures. In the temporal delay distribution, the weekly and monthly, but not yearly delayed departures are positively correlated with the network usage. However, for hourly delayed departures, a shunting yard involved with international traffic does not show any correlation between delayed departures and the network usage, whereas a domestic shunting yard shows a significant negative correlation between these two parameters.  The findings obtained from this thesis contribute to a better understanding of departure deviations from shunting yards, and can be applied in enhancing the operations and capacity utilization of shunting yards in future models. Papers II and III analyse the relationship between congestion in the arrival yard and departure delays using the same data set as paper I.  According to previous research, congestion plays an important role in shunting yard delays. With defining congestion as the number of arriving trains before departure time, paper II analyses this relationship limiting the arrivals and departures between the two shunting yards considering varying time periods before departure,whereas Paper III elaborates the analysis by defining congestion level in a fixed period of time before departure time including all arrivals and departures. Considering the data set used in the analysis, the results show that there is no significant relationship between the congestion in the arrival yard and departure delays of trains. It is possible that congestion may not impact the departure delays of trains, but it may impact the departure delays of wagons due to missed wagon connection or increasing wagon idle time, which can be explored with the availability of wagon connection data.  Additionally, future elaboration of congestion definition, covering congestion at the shunting yard level, may lead to further improved analyses.

Abstract [sv]

Europeiska kommissionen har förutspått en markansandel på 30% framtill 2030 för järnvägstransporter av gods. För att uppnå denna ökning krävsökad tillförlitlighet hos järnvägstransporttjänster. Rangergodsbangårdars optimalafunktion är ett av de områden som kan förbättra denna tillförlitlighet.Rangergodsbangårdar stora områden som är avsedda för att koppla ihopgodståg för sändning till nya destinationer. Deras produktivitet har en direktinverkan på järnvägsnätets totala prestanda. Därför krävs analys och modelleringav avvikelser från dessa noder för att förbättra interaktionen mellanrangergodsbangårdar och järnvägsnätet.

I papper I undersöks sannolikheten och den tidsmässiga fördelningen avavvikelser med hjälp av en stor datamängd som omfattar 250 000 avgångaröver sju år från två rangergodsbangårdar (Malmö och Hallsberg) i Sverige.Sannolikhetsdistributioner av avvikelser jämförs med fyra huvuddistributioner,exponentiell, log-normal, gamma och Weibull enligt de maximalasannolikhetsuppskattningarna och resultaten av Anderson-Darling godhetav passningstest. Log-normal och gamma visar sig passa bäst för avvikelser:den förstnämnda vid förseningar och den senare vid tidiga avgångar. I dentidsmässiga fördröjningsfördelningen är de veckovisa och månatliga men inteårliga försenade avgångarna positivt korrelerade med järnvägsnätets nyttjandegrad.För försenade avgångar per timme visar dock en rangergodsbangårdsom är inblandad i internationell trafik ingen korrelation mellan försenadeavgångar och järnvägsnätets nyttjandegrad, medan en inhemsk rangergodsbangårdvisaren signifikant negativ korrelation mellan dessa två parametrar.Resultaten från denna avhandling bidrar till en bättre förståelse av avvikelserfrån rangergodsbangårdar och kan användas för att förbättra drift och kapacitetsutnyttjandeav rangergodsbangårdar växelplatser i framtida modeller.

Papper II och III analyserar förhållandet mellan trängsel i ankomstgårdenoch avgångsförseningar med hjälp av samma datamängd som i papperI. Enligt tidigare analyser spelar trängsel en viktig roll vid förseningar förrangergodsbangårdar. Trängsel definieras som antalet ankommande tåg föreavgångstid och papper II analyserar detta förhållande som begränsar ankomsteroch avgångar mellan de två rangergodsbangårdar med beaktande av olikatidsperioder före avgång, medan papper III utvecklar analysen genom attdefiniera trängselnivån under en fast tidsperiod före avgångstid inklusive allaankomster och avgångar. Med tanke på datamängden som användes i analysenvisar resultaten att det inte finns något signifikant samband mellan trängselni ankomstgården och tågens förseningar. Det är möjligt att trängsel kanskeinte påverkar tågens avgångsfördröjningar, men det kan påverka vagnarnasavgångsfördröjningar på grund av missad vagnanslutning eller öka vagnenstomgångstid, vilket kan undersökas med vid tillgång av vagnanslutningsdata.Dessutom kan framtida vidareutveckling av definitionen av trängsel som påen detaljerad nivå täcker rangergodsbangårdars alla delar, leda till ytterligareförbättrade analyser.

Place, publisher, year, edition, pages
Stockholm: KTH Royal Institute of Technology, 2020. p. 26
Series
TRITA-ABE-DLT ; 2033
Keywords
Shunting yards, delay prediction, congestion, delay probability distributions, temporal delay distributions, Rangergodsbangårdarna, förseningsprediktion, trängsel, fördröjning av sannolikhetsdistributioner, tidsfördröjningsdistributioner
National Category
Transport Systems and Logistics
Research subject
Transport Science, Transport Systems
Identifiers
urn:nbn:se:kth:diva-284672 (URN)978-91-7873-690-4 (ISBN)
Presentation
2020-11-30, Via Zoom https://kth-se.zoom.us/j/64405987038, Du som saknar dator/datorvana kan kontakta behzad.kordnejad@abe.kth.se, If you lack a computer or computer skills, please contact behzad.kordnejad@abe.kth.se, Stockholm, 15:00 (English)
Opponent
Supervisors
Projects
Shift2RailFR8HUB
Funder
Swedish Transport Administration
Note

QC 20201105

Available from: 2020-11-05 Created: 2020-11-02 Last updated: 2022-06-25Bibliographically approved
2. Application of Predictive Analytics for Shunting Yard Delays
Open this publication in new window or tab >>Application of Predictive Analytics for Shunting Yard Delays
2023 (English)Doctoral thesis, comprehensive summary (Other academic)
Abstract [en]

Increasing the modal share of rail freight transport is one of the main ways to achieve carbon neutrality in Europe. The perceived low reliability and predictability of rail freight services is one of the main challenges to overcome in reaching this target. Shunting yards play an important role in providing more reliable and predictable freight trains. Shunting yard departure deviations impact other trains on mixed-traffic railway networks. Predictable departures from shunting yards increase the overall predictability of freight train runs along the network.

The primary focus of this thesis is on how to apply data-driven approaches to increase the predictability of shunting yard departures. Descriptive analytics were used to provide enhanced insight into shunting yard departures, and predictive analytics were applied to develop shunting yard departure deviation prediction models. Finally, hybrid modeling was used to integrate the yard departure prediction model with other simulation models for wider application. The results from this thesis contribute to providing a deeper understanding of shunting yard departure deviations, interactions between shunting yards and the network through departure and arrival deviations, and how to model these deviations by applying data-driven approaches. These results from five published research papers are included and presented in this doctoral thesis.

Descriptive analytics methods are applied in papers I and II to explore the probability distribution of departure deviations and the impact of the network on departure delays. The results show that positive and negative departure deviations have different distributions for different shunting yards. Moreover, network usage fluctuations over shorter timespans impact departure delays, whereas no correlation is established between network impact, defined as congestion in the arrival yard, and departure delays.

Predictive analytics is applied in paper III by developing tree-based algorithms to classify the status of shunting yard departures. The departure status are imbalanced; the majority are early, and the minority are delayed. The results show that applying methods to overcome imbalanced data sets can improve the prediction of delayed departures.

The models developed in paper III are extended in papers IV and V to predict departure deviations in a combined modeling approach for two separate applications. In paper IV, a machine learning-assisted macro simulation model framework is introduced to integrate yard departure predictions into a macro simulation network model and predict the arrivals to the next yard. The results show improved prediction accuracy compared to a basic machine learning model and a baseline timetable model.

Finally, in paper V, the generalization of the yard departure prediction model is explored by applying a simulation-assisted machine learning modeling approach where the model is trained on real-world European yard data and North American simulation yard data. The results show the model has a notable generalized performance with both data types.

Abstract [sv]

Ett av de huvudsakliga målen för att uppnå koldioxidneutralitet i Europa är att öka den modala andelen av godstransporter på järnväg. En av de stora utmaningarna är att övervinna uppfattningen om att godstrafik på järnväg har en låg tillförlitlighet och förutsägbarhet. Gods- och rangerbangårdar har en viktig roll i att tillhandahålla godståg med högre tillförlitlighet och förutsägbarhet. Avvikelser från godstågens planerade avgångstider från godsbangårdar påverkar i förlängningen andra tåg i järnvägsnätet. En högre förutsägbarhet vad gäller godstågens avgångstider från godsbangårdar innebär även en högre förutsägbarhet för tågens körning i nätverket.

Huvudfokus i avhandlingen är att tillämpa datadrivna metoder för att öka förutsägbarheten i godstågens avgångar från godsbangårdar. Deskriptiv analys har använts för att ge en ökad insikt över fördelningen av avgångar från godsbangårdar. Prediktiv analys har tillämpats för att utveckla prediktionsmodeller för avgångar. Slutligen används hybridmodellering för att integrera (koppla ihop) en prediktiv avgångsmodell med andra simuleringsmodeller för större tillämpningar. Doktorsavhandlingen omfattar fem publicerade forskningsartiklar från vilka resultaten presenteras.

I artikel I och II tillämpas deskriptiva analysmetoder för att undersöka sannolikhetsfördelningar för avgångsavvikelser och nätverkets inverkan på avgångsförseningar. Resultaten visar att fördelningar för positiva och negativa avvikelser skiljer sig mellan olika godsbangårdar.  Dessutom påverkar fluktuationer i nätverkets utnyttjandegrad inom kortare tidsperioder avgångsförseningarna. Däremot påvisas ingen korrelation mellan nätverkets påverkan, här definierat som trängsel på ankomstbangården, och avgångsförseningar.

I artikel III tillämpas prediktiv analys genom att utveckla trädbaserade algoritmer för att klassificera status/tillstånden för avgångarna från en godsbangård. Avgångsstatus/avgångstillstånden är obalanserade, en majoritet av tågen är tidiga och en minoritet är försenade. Resultaten visar att prediktionen av försenade avgångar kan förbättras genom att tillämpa metoder för att hantera obalans i data.

De modeller som utvecklats i artikel III utvecklas och utökas vidare i artikel IV och V för att prediktera avgångsavvikelser med en kombinerad modelleringsmetod för två olika tillämpningar. I artikel IV introduceras ett koncept med en maskininlärningsassisterad makrosimuleringsmodell med syftet att integrera avgångsprediktioner från en godsbangård i en makroskopisk nätverkssimuleringsmodell och prediktera godstågens ankomster till nästa godsbangård. Resultaten indikerar en förbättring i prediktionsnoggrannhet jämfört med en grundläggande maskininlärningsmodell och en baslinjemodell för tidtabell.

I artikel V undersöks generaliserbarheten av avgångsprediktionsmodellen genom att tillämpa en ansats med en simuleringsassisterad maskininlärningsmodell och där modellen tränas på verklig data från godsbangårdar i Europa och simuleringsdata från Nordamerika. Resultaten visar att modellens prestanda generellt är god med båda datatyperna.  

Place, publisher, year, edition, pages
Stockholm: KTH Royal Institute of Technology, 2023. p. 62
Series
TRITA-ABE-DLT ; 2322
Keywords
Shunting yards, train delays, machine learning, simulation, freight transport, Godsbangårdar, tåg förseningar, maskininlärning, simulering, godstransport
National Category
Transport Systems and Logistics
Research subject
Transport Science, Transport Systems
Identifiers
urn:nbn:se:kth:diva-327021 (URN)978-91-8040-610-9 (ISBN)
Public defence
2023-06-15, Kollegiesalen, Brinellvägen 8, KTH Campus, video conference link: https://kth-se.zoom.us/j/69650875724, Stockholm, 13:00 (English)
Opponent
Supervisors
Projects
Shift2RailFR8HUBFR8RAIL IIIPRATA
Funder
Swedish Transport Administration
Note

QC 20230522

Available from: 2023-05-22 Created: 2023-05-17 Last updated: 2023-05-29Bibliographically approved

Open Access in DiVA

No full text in DiVA

Other links

Publisher's full textScopus

Authority records

Minbashi, NiloofarPalmqvist, Carl-WilliamBohlin, MarkusKordnejad, Behzad

Search in DiVA

By author/editor
Minbashi, NiloofarPalmqvist, Carl-WilliamBohlin, MarkusKordnejad, Behzad
By organisation
Transport planning
In the same journal
Journal of Rail Transport Planning & Management
Transport Systems and Logistics

Search outside of DiVA

GoogleGoogle Scholar

doi
urn-nbn

Altmetric score

doi
urn-nbn
Total: 260 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf