Der Trend zu kleinteiligeren und kapitalintensiveren Transportgütern führt in Kombination mit der in Europa angestrebten Reduktion von Treibhausgasemissionen im Transportsektor zu einer Zunahme der Bedeutung von effizienten Konsolidierungsnetzwerken des Schienengüterverkehrs. Zugehörige Produktionsformen mit Bündelung von Warenströmen wie der Einzelwagenverkehr und der intermodale Verkehr sind somit erfolgskritisch für die Zukunftsfähigkeit des Schienengüterverkehrs. Deren Wettbewerbsfähigkeit kann durch die Einführung und Nutzung von Innovationen gestärkt werden. Beispiele hierfür sind eine Digitale Automatische Kupplung (DAK) sowie Sensoren an Güterwagen und Lokomotiven. Diese Innovationen werden oftmals von einem hohen monetären Aufwand sowie Unsicherheiten hinsichtlich ihrer genauen betrieblichen Wirkung in den Netzwerken begleitet. Für strategische Entscheidungen hinsichtlich einer Einführung solcher Innovationen sind die ökonomischen und betrieblichen Effekte für gezielte Nutzen-Kosten-Betrachtungen aufzuzeigen sowie mögliche Pfade für eine Migration der jeweiligen Innovation für die Produktionsformen und deren zugehörigen Netzwerke zu eruieren. Dabei sind insbesondere die Veränderungen im sogenannten Service Network Design (SND) von großer Bedeutung. Das SND ist Teil der taktischen Netzwerkplanung und definiert das Zuggerüst sowie die Wagenroutenplanung im Netzwerk. Dabei werden die Kosten für den Betrieb von Netzwerken unter Einhaltung definierter Qualitätsstandards minimiert. Das Ergebnis des SND stellt den Rahmen für konkrete Wagenrouten in der betrieblichen Durchführung dar und definiert das zu behandelnde Zuggerüst in den Bündelungsknoten der Netzwerke. Trotz der wichtigen Funktion des SND, ist dieser taktische Planungsprozess in der Praxis noch stark manuell geprägt und daher zeitaufwändig. Außerdem liefert er oft zu ungenaue Aussagen. Das trifft insbesondere auf Aussagen zu den Netzeffekten durch Innovationen zu. Aufgrund der hohen Komplexität von Konsolidierungsnetzwerken des Schienengüterverkehrs und fehlender EDV-Unterstützung basieren Betrachtungen zu den Effekten von Innovationen in Netzwerken im Status Quo auf Expertenbefragungen und Abschätzungen. Insbesondere für Innovationen, deren Migration mit weitreichenden Prozessänderungen im Netzwerk und neuen Betriebsstrategien verbunden ist, bedarf es jedoch objektiver modellbasierter Verfahren zur Entscheidungsunterstützung. Durch deren Einsatz könnten die Auswirkungen in Bezug auf Netzwerkstrukturen und Kosten ermittelt und für Entscheidungsträger:innen transparent dargestellt werden. Die vorliegende Dissertation leistet einen wissenschaftlichen Beitrag, um dieses Potenzial zu erschließen. Hierfür wird im Rahmen der Dissertation eine neue Methode als Beitrag zur Entscheidungsunterstützung für die Einführung und Migration von Innovationen in Konsolidierungsnetzwerken des Schienengüterverkehrs entwickelt: TRENO (TRansparent Evaluation of InNOvation Effects in Rail Freight Service Networks). Die Methode kombiniert dabei eisenbahnbetriebswissenschaftliche Grundlagen mit Ansätzen aus dem Operations Research und dem maschinellen Lernen. Prozessveränderungen durch Innovationen werden analysiert und in einem neuartigen mathematischen Optimierungsmodell für das SND abgebildet. Das Modell ermöglicht die Definition von verschiedenen Betriebsstrategien im Netzwerk und bildet erstmals zeitbezogene Infrastrukturnutzungen von Zügen in den Knoten des Netzwerks ab. Da die Einführung von Innovationen mit hoher Unsicherheit hinsichtlich der Annahmen und Eingangsparameter verbunden ist, sind zahlreiche Szenarien für eine fundierte Entscheidungsunterstützung zu definieren und zu bewerten. Aufgrund der hohen Komplexität von SND Modellen sind Berechnungen mittels mathematischer Optimierung sehr zeitintensiv. Daher nutzt TRENO Klassifizierungs- und Regressionsmodelle aus dem Bereich des maschinellen Lernens, welche die mathematische Optimierung ergänzen. Auf Basis eines Pools von Szenarien, für welche optimale Netzwerkstrukturen mithilfe mathematischer Optimierung berechnet wurden, lernen die Klassifizierungs- und Regressionsmodelle den Zusammenhang zwischen Eingangsdaten und den resultierenden Kennzahlen des Netzwerks. Nach diesem Training können die Modelle dazu eingesetzt werden, die Kennzahlen von Netzwerken (insbesondere Kosten, Zuggerüste sowie Auslastungen von Zügen und Bündelungsknoten) für zahlreiche neue Szenarien innerhalb von Sekunden vorherzusagen. Dies stellt eine maßgebliche Beschleunigung gegenüber der mathematischen Optimierung dar. Die Klassifizierungsmodelle werden genutzt, um die grundsätzliche (Un-)Lösbarkeit eines Szenarios vorherzusagen, die beispielsweise durch unzureichende Kapazitäten in den Zugbildungsanlagen resultieren kann. Die Regressionsmodelle prognostizieren spezifische metrische Kennzahlen des Netzwerks wie Kosten, Zuggerüste und Kapazitätsauslastungen. Neben dieser Kernfunktionalität von TRENO ermöglicht die Integration der SHAP Methode (shapley additive explanations) eine Analyse bezüglich des Einflusses der Eingangsparameter auf die Kennzahlen eines Konsolidierungsnetzwerks. Dies erlaubt den Aufbau eines tiefgründigen Verständnisses der Wirkungszusammenhänge in Konsolidierungsnetzwerken des Schienengüterverkehrs (z. B. durch die Identifikation von maßgeblichen Kostentreibern) und wirkt einem grundsätzlichen Problem aus dem Bereich des maschinellen Lernens, der mangelnden Interpretierbarkeit der Modelle, entgegen. TRENO wird anhand eines praxisnahen Anwendungsfalls validiert, der Planung einer Migration einer DAK in einem exemplarischen europäischen Einzelwagenverkehrsnetz. Hierbei wird mit TRENO untersucht, welchen Einfluss verschiedene Betriebsstrategien während einer Migration einer DAK auf die Kosten und Strukturen im Netzwerk haben. Das Anwendungsbeispiel zeigt auf, dass sich mit TRENO verschiedene komplexe Betriebsstrategien mathematisch modellieren lassen. Durch die Anwendung der Methode werden die konkreten Effekte der Betriebsstrategien auf die definierten Kennzahlen des Netzwerks transparent gemacht. Dies ermöglicht neue Schlussfolgerungen aus eisenbahnbetriebswissenschaftlicher Sicht hinsichtlich der Wahl von Betriebsstrategien während einer Migration. Ferner zeigen die Ergebnisse die hohe Qualität der Prognosen durch die Klassifizierungs- und Regressionsmodelle auf. Beim Test von vier Klassifizierungs- und fünf Regressionsmodellen erzielen Modelle auf Basis des Gradient Boosting Verfahrens die besten Ergebnisse. Für die Klassifizierung erzielt das Modell in 94% der Fälle richtige Vorhersagen. Das Regressionsmodell erzielt im Durchschnitt über alle Kennzahlen ein Bestimmtheitsmaß von 93% und kann damit einen Großteil der Varianz in den Datensätzen erklären. TRENO stellt somit einen anwendbaren Beitrag dar, um den manuellen Prozess zur Planung von Konsolidierungsnetzwerken im Schienengüterverkehr insbesondere für den Fall der Einführung von Innovationen maßgeblich zu beschleunigen und zu automatisieren. Der modellbasierte Ansatz objektiviert die Entscheidungsunterstützung gegenüber dem Status Quo und ermöglicht zudem eine weitreichende Exploration des Einflusses von Innovationen auf die Strukturen des Netzwerks über zahlreiche Szenarien. Hierdurch erweitert die Dissertation das Methodenspektrum der Eisenbahnbetriebswissenschaften durch die Verzahnung mit Verfahren aus dem Operations Research sowie des maschinellen Lernens. / The trend towards small-scale and more capital-intensive transport goods means that the importance of rail freight consolidation networks is increasing. Production forms such as single wagonload transport and intermodal transport are therefore critical for the future potential of rail freight. The competitiveness of rail freight networks can be strengthened through the introduction of innovations such as a Digital Automatic Coupling (DAC) and sensors on freight wagons and locomotives. These innovations are often accompanied by high investment costs and uncertainties regarding their specific operational impact in the networks. For strategic decisions regarding the introduction of such innovations, the economic and operational effects must be identified and quantified, e.g., for benefit-cost considerations. In this context, the changes in the so-called Service Network Design (SND) are of particular importance. The SND determines train service structures and the freight distribution in networks at the tactical planning level. The number and schedule of operated train services in the network significantly determines the costs and quality of consolidation networks in rail freight. It provides the framework for specific railcar routings at the operational level and defines the number of trains to be handled in the bundling nodes of the networks. Despite this outstanding importance of the SND, the tactical planning of consolidation networks is still a manual process in practice lacking computer-based decision support. This is particularly true for statements on network effects of innovations. Due to the high complexity of consolidation networks in rail freight transport and the lack of computer-based decision support, analyses regarding the effects of innovations in service networks are mainly based on expert interviews in the status quo. Especially for innovations whose migration is associated with extensive process transformations and new operating strategies in the network, there is a need for objective model-based methods to support decision-making. Thereby, the operational effects of innovations on service network structures and costs could be determined and made transparent to decision-makers. This dissertation contributes to close this gap and to enable an efficient planning of consolidation networks. For this purpose, the dissertation develops a new method as a contribution to decision support for the introduction and migration of innovations in consolidation networks of rail freight transport: TRENO (TRansparent Evaluation of InNOvation Effects in Rail Freight Service Networks). The method combines rail transport planning with approaches from operations research and machine learning. Process changes due to innovations are analyzed and depicted in a novel mathematical optimization model for the SND. The model enables the definition of different operating strategies in the network and incorporates dynamic infrastructure usages of trains in the nodes of the network. Since the introduction of innovations is associated with a high degree of uncertainty regarding the underlying assumptions and input parameters, numerous scenarios have to be defined and evaluated for a sound decision support. Due to the high complexity of SND models, mathematical optimization is computationally expensive and time-consuming. Therefore, TRENO applies classification and regression models from the field of machine learning complementing mathematical optimization. Based on a set of scenarios for which optimal network structures have been computed using mathematical optimization, the classification and regression models learn the relationship between input data and the resulting key figures of the network. After training, the models can be used to predict the key figures of networks for various new scenarios within seconds (in particular cost structures, the number of operated train services and utilization of trains and yards). This represents a significant acceleration compared to mathematical optimization. The classification models are used to predict the feasibility of a scenario, which can, for example, result from insufficient capacities in the nodes of the network. The regression models predict specific metrics of the network such as costs, train service structures and capacity utilization. In addition to this core functionality of TRENO, the integration of the SHAP method (shapley additive explanations) allows an analysis of the influence of input parameters on the key figures of a consolidation network. This contributes to the understanding of the interdependencies in consolidation networks of rail freight transport (e.g., by identifying major cost drivers) and counteracts a fundamental problem from the field of machine learning, the lack of interpretability of the models. TRENO is validated on the basis of a relevant use case, the planning of a migration of a DAC in an exemplary European single wagonload network. Here, TRENO is used to investigate the influence of different operating strategies during a migration of a DAC on the costs and service structures in the network. The example shows that different complex operating strategies can be modelled with TRENO. By applying the method, the specific effects of the operating strategies on the defined key figures of the network are made transparent. This enables to draw new conclusions from a rail transport planning perspective regarding the choice of operating strategies during a migration. Furthermore, the results show the high quality of the predictions by the classification and regression models. When testing four classification and five regression algorithms, models based on gradient boosting achieve the best results. For classification, the model yields correct predictions in 94% of the cases. The regression model achieves an average coefficient of determination of 93% across all key figures and can thereby explain a large part of the variance in the data. TRENO thus represents an applicable contribution to significantly automate and accelerate the manual process for planning consolidation networks in rail freight transport, especially for the case of the introduction of innovations. The model-based approach provides a more objective decision support compared to the status quo and enables to study the influence of innovations on the structures of service networks over numerous scenarios. Hereby, the dissertation expands the methodological spectrum of rail transport planning by linking it with methods from operations research and machine learning.
| Identifer | oai:union.ndltd.org:DRESDEN/oai:qucosa:de:qucosa:91577 |
| Date | 28 May 2024 |
| Creators | Pollehn, Tobias |
| Contributors | König, Rainer, Bohlin, Markus, Technische Universität Dresden |
| Source Sets | Hochschulschriftenserver (HSSS) der SLUB Dresden |
| Language | English |
| Detected Language | German |
| Type | info:eu-repo/semantics/publishedVersion, doc-type:doctoralThesis, info:eu-repo/semantics/doctoralThesis, doc-type:Text |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0028 seconds