Hupac-intermodale-terminal

ELETA-project voor verwachte aankomst goederentrein werpt vruchten af

ELETA, het Europese project voor de uitwisseling van data over de verwachte aankomsttijden (ETA) van goederentreinen, is volgens de twaalf initiatiefnemers een succes. Onder meer omdat het project resulteerde in nauwkeurigere ETA-data. Dat is een van de eerste conclusies die werden getrokken tijdens het afsluitende congres deze week in Brussel.

Als onderdeel van het in 2017 gestarte project, maakten een aantal partijen uit de spoorbranche de afspraak om informatie over de verwachte aankomsttijd te delen met hun contractpartners. Hierbij werden ook de terminals en intermodale vervoerders betrokken. Alle deelnemende partijen ondertekenden een geheimhoudingsverklaring om een veilige behandeling van de data te garanderen.

ELETA, een acroniem voor Electronic Exchange of ETA information, is mede gefinancieerd door de Europese Unie en richt zich op twaalf verschillende intermodale transportrelaties tussen de Combined Transport operators CEMAT (Italië), Hupac (Nederland), Inter Ferry Boat (België), Kombiverkehr (Duitsland) en Rail Cargo Operator (Oostenrijk).

Algoritmen

Vanuit het project moeten data over de aankomst van goederentreinen nauwkeuriger kunnen worden berekend met behulp van algoritmen. De resultaten van deze rekenmethode zijn volgens de initiatiefnemers veelbelovend. “In de gevallen dat de data compleet en in grote hoeveelheden zijn, zien we een verbetering van de ETA-voorspellingen”, zegt Marian Pufahl van Synfioo, een van de betrokken IT-bedrijven. Hij liet daarbij een voorbeeld zien van een treinpad tussen Ludwigshafen in Duitsland en Busto in Italië. In de periode van september tot oktober dit jaar resulteerde de machine learning methode in 75 procent accurater voorspelde aankomsttijden. De real-time informatie was in 68 procent van de gevallen tot drie uur voor aankomst nauwkeurig.

Getallen die de aankomsttijd van een goederentrein voorspellen zijn niet nieuw in de sector. Maar tot nu toe was de kwaliteit van deze data slecht. De meeste voorspellingen zijn gebaseerd op time-shifting. Bijvoorbeeld wanneer een trein een kwartier vertraging heeft, gaat de voorspelling voor de rest van rit uit van een vertraging van 15 minuten. Volgens de nieuwe methode wordt een algoritme op basis van data van eerdere ritten en vertragingen losgelaten op deze data. Kunstmatige intelligentie of machine learning kan hierbij zorgen voor een veel grotere nauwkeurigheid.

Afsluiting

De afsluitende conferentie van ELETA, die afgelopen dinsdag 6 november plaatsvond in Brussel, luidt de laatste maanden in van het project. ELETA is een van de projecten die zijn voortgekomen uit de TEN-T Days die in 2016 werden gehouden in Rotterdam. De sector besloot destijds het internationale spoorgoederenvervoer een boost te geven door tien prioriteitsprojecten vast te stellen.

Het ELETA-project richtte zich vooral op om alle stakeholders TIS gebruiksovereenkomsten te laten tekenen. TIS is het platform waar de data worden ingeladen, gecombineerd en gecalculeerd. Het project is geslaagd in de zin vrijwel alle partijen aan boord zijn. Ongeveer 80 procent van alle stakeholders maken nu deel uit van de data pool. In de komende maanden moeten ook de resterende partijen zijn aangesloten.

Beschikbare data

“Dit lijkt een kleine schakel in een groot project, maar voor ons was het een belangrijke mijlpaal dat iedereen de voorwaarden accepteerde waaronder data gedeeld worden”, legt Harald Reisinger, ICT-directeur bij RailNetEurope uit. “De bereidheid was er wel, maar er zaten nogal wat juridische haken en ogen aan het beschikbaar stellen van data. Er was behoefte aan een juridische raamwerk. Dat kwam er in de vorm van TIS. Binnen de looptijd van het project zijn er 30,000 TIS overeenkomsten gesloten tussen de verschillende partijen.”

De volgende stap is het verzamelen van voldoende data vanuit deze bedrijven en dat kost tijd, legt Pufahl uit. “We hebben nu 191 treinritten geanalyseerd en dat resulteerde in de gepresenteerde resultaten. Maar om echt een significant succes te boeken, hebben we big data nodig. We moeten meer dan duizend ritten analyseren. Alleen dan kan machine learning bijdragen tot een nauwkeurigere ETA.”

Lees het volledige verslag van het ELETA-congres in Brussel op Railfreight.com

Lees ook:

Onderwerpen: , , ,

Auteur: Paul van den Bogaard

Paul van den Bogaard is redacteur van SpoorPro.

Reageer ook

Nog maximaal tekens

Log in via een van de volgende social media partners om je reactie achter te laten.