#openviriato sort de l'enfance

Ce qui s'est passé entre-temps

Quatre années se sont écoulées depuis notre dernier rapport et notre premier appel à participer à notre initiative de collaboration #openviriato. Durant cette période, nous avons continué à travailler avec nos partenaires à la mise en œuvre du programme. Dans un premier temps, nous nous sommes fortement concentrés sur les fondements, comme l'extension de la plateforme algorithmique, et la création d'un réseau d’intéressés au sein de la communauté universitaire. La plateforme algorithmique a été développée dès le début avec l'objectif de fournir les données nécessaires pour de multiple cas d'utilisation. C’est pourquoi son interface expose un modèle de données abstrait ("modèle AID").

Le modèle AID est un modèle de domaine générique. En raison de ce choix, la progression du développement a certes été plus lente au début, mais cet effet est aujourd'hui plus que compensé par les économies de ressource dans le long terme. Actuellement, il est rarement nécessaire de développer de nouvelles fonctionnalités pour un nouveau cas d'application, car les services de base sont facilement réutilisables. La couverture de la plateforme algorithmique a atteint entre-temps sa maturité et les collaborations avec des instituts de recherche et des universités de premier ordre portent leurs fruits.

Les moyens que SMA peut consacrer à ce projet sont limités par rapport aux investissements des grandes entreprises du monde ferroviaire. Cela nous oblige, d'une part, à ne pas gaspiller nos ressources et, d'autre part, à favoriser une collaboration de confiance et à long terme avec nos partenaires afin d'obtenir des résultats trouvant leur utilisation dans la pratique.

Mettre la recherche en pratique avec succès

Notre démarche a des effets de levier : premièrement, des algorithmes prototypiques peuvent être mis en œuvre rapidement. La plateforme accélère la recherche algorithmique en mettant à disposition des chercheurs les fonctionnalités de base dont ils ont besoin (données, vues, services), tout en leur permettant d'évaluer les résultats des algorithmes dans un système de planification à la pointe du progrès.

Contrairement à d'autres approches utilisées dans la recherche, l'utilisateur travaille avec un système de planification horaire professionnel et non pas avec des vues graphiques ad-hoc. Des avantages importants en découlent : robustesse face aux erreurs de saisie, stabilité de l'interface graphique, réutilisation des données productives sans transformation, exportation ou travail sur des extraits partiels, et inspection des résultats avec les modules avancés. Tout cela favorise un transfert plus rapide des résultats de la recherche, car contrairement à une approche traditionnelle, un processus de développement agile avec des cycles de retour sur expérience courts permet de travailler sur des cas réalistes.

Deuxièmement, des gains de temps et des économies peuvent également être réalisés dans la mise en production d’un algorithme, car il suffit d'implémenter un contrôle correspondant dans l’application et sa connexion à la plateforme algorithmique, au lieu de devoir redévelopper entièrement un modèle de données et leur mise à disposition. L'automatisation pour elle-même n'est pas au centre de nos préoccupations. Nous recherchons une automatisation précise de cas d'utilisation dans des processus clairement définis.

Tout n'est pas automatisable mais une approche réaliste peut permettre d'avancer à moyen terme

Ces dernières années, nous avons observé de multiples tentatives d'élaboration automatisée de concepts d'offre à l’échelle nationale. Cette approche implique une résolution des conflits à l'échelle du réseau, ce qui, on le sait, est un problème quasiment insoluble dans un temps polynomial. L’euphorie initiale a été suivie d'une désillusion et ces entreprises ont été largement abandonnées menant parfois à un scepticisme croissant. SMA concentre ses efforts d'automatisation sur des étapes du processus qui interviennent typiquement dans la planification à moyen terme, c'est-à-dire 3 à 6 ans avant l'exploitation. Dans le passé, cet horizon de planification a été plutôt négligé dans la plupart des pays européens, à l'exception notable de la Suisse. Au cours des deux ou trois dernières années, l'importance de la planification à moyen terme a fortement grandi sous l'impulsion de l'initiative RTD/RNE "Timetable Redesign" (TTR) et aussi de projets nationaux tels que le "concept à moyen terme de capacité optimisée" (mKoK) en Allemagne.

Une résolution microscopique des conflits, mais uniquement au niveau local !

Dans le cadre de nos activités de conseil pour l'élaboration de concepts d'horaires à grande échelle, nous avons réussi, en collaboration avec nos clients, à introduire et à établir la détection microscopique des conflits dès la planification à moyen terme. La résolution manuelle de ces conflits reste toutefois un travail coûteux et chronophage, dans lequel la pensée créative n'a qu'une importance secondaire. C'est pourquoi l'automatisation de la résolution des conflits dans cette phase du processus est actuellement l'une des priorités de notre initiative #openviriato. Un premier projet de stage et un travail d'étude ont déjà été réalisés avec succès. Un travail de diplôme ainsi qu'un prototype "Copilote pour Résolution des Conflits", qui utilisent la plateforme algorithmique et la MoD (Microscopy on Demand), ont démarré.

La recherche de sillons marchandise est une exigence

Le deuxième point fort de nos activités scientifiques est la recherche mésoscopique de sillons. Le cas d'utilisation dans la planification à moyen terme consiste principalement à construire de nombreux sillons marchandise dans des plages de capacité réservées. Il s'agit là aussi d'une tâche qui prend généralement beaucoup de temps et qui présente peu de potentiel créatif. Le modèle mésoscopique de Viriato permet de considérer des problèmes de très grande taille et de les résoudre en un temps de calcul si court qu'il est aujourd'hui inégalé par les méthodes microscopiques. Dans ce contexte, nous voulons examiner également les restrictions capacitaires dues aux travaux et aux objets capacitaires du processus TTR. Nous comptons aussi explorer la possibilité d’étendre la recherche de sillons dans un modèle de conflit mésoscopique à un modèle microscopique grâce à l'approche de résolution des conflits décrite ci-dessus.

La robustesse en profite aussi

Enfin, notre module d’analyse de robustesse est devenu outil utilisé régulièrement avec succès dans des prestations de conseil. L'analyse de robustesse repose sur une simulation des circulations accessible via la plateforme algorithmique qui elle est ouverte aux extensions de sorte que les utilisateurs peuvent intégrer leurs propres distributions de retards et mesures de disposition. Du côté de la recherche, nous nous concentrerons à l'avenir sur la modélisation du comportement réaliste des agents de circulation et sur sa paramétrisation via une interface.

Le voyage continue

Ces dernières années, notre stratégie #openviriato nous a permis, à force de persévérance et de travail, de poser les bases d'une collaboration fructueuse avec nos partenaires sur les solutions d'automatisation du secteur ferroviaire. Notre stratégie vise à adresser des problèmes réellement solubles aujourd'hui, afin de faire progresser le rail en peu de temps et de réaliser des gains d'efficacité. La clé de notre succès a été l'ouverture de notre interface à des partenaires et à différents cas d'application par le biais d’un modèle de domaine abstrait et des services réutilisables. Le succès des premières applications : "Robustesse", "Recherche de sillons" et "Copilote pour Résolution de conflits" ainsi que la qualité de la collaboration sur les projets de recherche nous nous montrent que nous sommes sur la bonne voie.