A real time passengers flow prediction with an empirical assignment model and train run simulation in underground lines of Milan

The thesis is a study based on the prediction of congestion phenomena in the Milan underground network. The data provided are entrances and exits at turnstiles, walking times at stops and scheduled train times. The work is divided into two phases. The first is a categorization of metro stops based on entrances and exits grouped on an hourly basis which exploits the machine learning technique called clustering. The second uses disaggregated data as input and creates a generation model, a distribution model and an assignment model. The generation model is a passenger flow prediction every 15 minutes based on time series forecasting that exploit a neural network composed of Long Short-Term Memory layers. For the distribution phase, a gravitational model calibrated on users' travel times was chosen. Convergence is achieved with the Furness method. Finally, the assignment model is a combination of the scheduled train times and the disaggregation of data from the distribution model, thus generating a microsimulation from the trains' perspective. A train is assigned to each person entering, thus treating the network as uncongested (DUN). At the end of the work, the simulation of a train ride on the M5 line is proposed to simulate interactions between users and predict any operational delay. The aim of the work is to provide the right tools to the company providing the service (ATM) to monitor and predict the future state of the network.

La tesi è uno studio sulla predizione dei fenomeni di congestione nella rete metropolitana di Milano. I dati forniti sono gli ingressi e le uscite ai tornelli, i tempi dei percorsi a piedi nelle fermate e gli orari programmati dei treni. Il lavoro si articola in due fasi. La prima è una categorizzazione delle fermate della metro in base agli ingressi e le uscite raggruppate su base oraria che sfrutta la tecnica del machine learning chiamata clustering. La seconda, invece, usa come input i dati disaggregati e crea un modello di generazione, uno di distribuzione ed uno di assegnazione. Il modello di generazione è una previsione del flusso ogni 15 minuti basato sulla serie storica che sfrutta una rete neurale composta da layers Long Short-Term Memory. Per il modello di distribuzione è stato scelto un modello gravitazionale calibrato sui travel times degli utenti. La convergenza è raggiunta con il metodo di Furness. Infine, il modello di assegnazione è una combinazione tra gli orari programmati dei treni e la disaggregazione dei dati dal modello di distribuzione, generando così una microsimulazione dal punto di vista dei treni. Ad ogni persona viene assegnato un treno come se la rete fosse non congestionata (DUN). Alla fine del lavoro viene proposta la simulazione di una corsa di un treno della linea M5 per simulare le interazioni tra gli utenti e prevedere eventuali ritardi operazionali. Lo scopo del lavoro è di fornire i giusti strumenti all'azienda che fornisce il servizio (ATM) per monitorare e prevedere lo stato futuro della rete.