문제:
호주의 대중교통 서비스 영역은 연방정부의 모듈간 통합과 주요 인프라 투자가 필요한 인구통계 변화에 대응하여 변화를 겪고 있다. 새로운 도전에 더 잘 대처하기 위해서, 대중 교통 회사들은 고객의 관점에서 그들의 네트워크의 행동을 이해할 필요가 있다. 대중 교통에서 스마트 카드를 널리 사용하면 그러한 연구를 수행하는 데 필요한 정보를 수집할 수 있다.
이 대중 교통 회사는 그들의 철도 인프라를 고객 중심적으로 볼 수 있고 철도 네트워크 운영에 대한 현재의 사고 영향과 상황을 개선할 방법을 회사가 이해하도록 돕기 위해 PwC Australia를 고용했다. 구체적으로, 이 회사는 다음을 원했다.
- 사고의 영향을 받는 잠재적 고객 수 파악(예: 열차 탈선, 모터 고장, 의료 비상).
- 인시던트가 발생할 때 네트워크 동작을 이해하기 위해 인시던트에 대한 높은 수준의 네트워크 보기.
- 고객에게 네트워크의 위치에 따라 사고 관련 지연에 대한 보다 정확한 예측 제공.
- 예측 응답 시간 계획, 리소스 할당, 인시던트 우선 순위 지정 등 인시던트 대응과 관련된 운영 및 유지 관리 결정 지원.
- 근본 원인 분석을 수행할 특정 사건(예: 특정 사건이 항상 특정 위치 또는 특정 유형의 롤링 스톡에서 더 많이 발생하는 이유)을 식별하십시오.
PwC 컨설턴트들은 기차역이나 기차역의 열차 이동, 사고, 고객을 시뮬레이션하는 교통망의 모델을 구축하기로 결정했다.
해결책:
컨설턴트는 모델을 구축하기 위해 열차 이동(구체 이벤트 모델링)과 고객 행동(에이전트 기반 모델링)을 모두 성공적으로 모델링하기 위해 필요한 다양한 시뮬레이션 방법을 하나의 모델로 결합할 수 있는 능력 때문에 애니로직 소프트웨어를 선택했다. 두 번째 이유는 확장성이었다: AnyLogic에서는 기존 모델을 확장하여 네트워크 개발 계획에 적용하고 새로운 환경에서 시스템이 어떻게 작동하는지 볼 수 있다.
모델에 대한 입력 데이터는 운송 회사, 정부 및 공공 이용 가능한 출처를 포함한 다양한 출처로부터 입수했으며, 다음과 같이 구성되었다.
- 네트워크 배치(신호, 선로 기하학, 스테이션 및 플랫폼).
- 열차 데이터(열차 세트 유형 및 캐리지당 용량).
- 시간표(노선, 열차 유형, 객차 수).
- 속도 제한을 포함한 더운 날씨와 네트워크를 복구하기 위한 운영 규칙.
- 인시던트 데이터(인시던트의 유형).
- 승객 데이터(스마트 카드 데이터 및 기존 사용 통계).
열차 이동 논리는 AnyLogic Rail Library를 사용하여 재현되었다. 또한 PwC 전문가가 AnyLogic에서 만든 맞춤형 라이브러리 컴포넌트를 이 프로젝트의 특별한 측면을 고려하여 활용하였다.
먼저, 모델은 역에서 고객들의 네트워크 뷰를 제공했는데, 네트워크의 각 역에서 현재 대기하고 있는 고객 수(이동 방향 포함)와 각 열차의 승객 수를 보여주었다.
더 중요한 것은, 이 모델은 회사가 네트워크의 사고 복구 행동과 시간을 분석할 수 있도록 설계되었다. 철도에서 사고가 발생하면 특히 출퇴근 시간대에 시간표가 오래 지연될 수 있다. 네트워크가 사고로부터 완전히 복구되고 모든 열차가 초기 문제가 해결된 후 예정대로 운행되기 시작하는 데 몇 시간이 걸릴 수 있다. 모델 출력에 네트워크 전체에 미치는 각 사건의 영향의 길이를 명확히 보여주고 사용자가 서로 다른 사고 완화 정책을 테스트하고 비교할 수 있도록 하는 네트워크 사고 그래프가 포함되는 것이 필수적이었던 이유다.
수집된 주요 측정 기준은 LCM(Lost Customer Minutes)으로, 특정 열차 또는 네트워크 세그먼트 내의 모든 개별 여행에 대한 지연 시간의 합으로 계산되었다. 이러한 회의록이 분실된 상황(예: 출근시간과 주말 동안 분량이 손실된 경우 다른 값을 갖는 경우)에서 LCM을 검토하는 것이 중요했다.
출력물에는 열차 그래프가 포함되었는데, 이는 네트워크에서 열차 이동을 나타내는 일반적인 방법이다(그림 참조). 더욱이 컨설턴트들은 시스템에서 발생하는 과정을 시각적으로 보여주기 위해 GIS 지도를 사용하여 모델을 애니메이션화했다. 열차 그래프와 네트워크 애니메이션은 다음을 보여주었다.
- 네트워크의 열차 위치.
- 열차가 시간표에 따라 운행되는지 여부.
- 열차가 왕복 여행을 할 수 있는지 여부.
결과:
이 모델은 사용자가 LCM을 심각하게 과소평가하거나 과소평가하는 기존의 열차 중심 방법보다 더 정밀하게 승객 중심 손실 고객 회의록을 계산할 수 있도록 했다. 이러한 승객 중심 접근법은 에이전트 기반 시뮬레이션을 사용했기 때문에 가능했다.
고객들은 보다 효율적인 사고 경감을 위한 정책을 테스트하고 형성하기 위해 네트워크 행동에 미치는 사고의 영향을 측정할 수 있었다(예: 승객의 건강 상태와 관련된 지연을 최소화하기 위한 신속한 의료 지원을 위해 특정 장소에 파견된 응급팀을 설정). 또한, 사고 대응 우선순위 정책을 대상 승객 수에 따라 계획하는 데 도움이 되었다. 시뮬레이션 모델의 도움으로 사용자는 손실된 고객 회의록에 대한 예상 영향에 따라 투자 및 비즈니스 결정을 평가할 수 있었다.
또한, LCM을 하나의 고객 중심 지연 지표로 설정함으로써 운송 회사는 구조 내에서 고객 중심 목표와 KPI를 생성할 수 있었다.
미래 컨설턴트들의 작품에는 다른 형태의 운송 수단 및 미래 네트워크 요소들과 함께 모델을 확장하는 것이 포함된다. 또 승강장 혼잡 문제를 조사하기 위해 역에서 보행자로서 승객들의 신체 움직임을 시뮬레이션할 계획이다.
2014년 AnyLogic Conference에서 Artem Parakine의 프로젝트 프레젠테이션 영상
