Development of an optimization model for railway traffic management in large stations

This thesis presents a Mixed Integer Linear Programming (MILP) model for real-time train rescheduling in the case of operational disturbances, which focus on station scale. The model incorporates critical railway operational and structure constraints, including track conflicts, platform assignments, headway safety, and passenger transfer connections. Compared with traditional rule based methods, the proposed optimization model minimizes total delay, along with platform reassignment penalties, and penalties for broken passenger transfers. The case study at Arezzo Station demonstrates the model's practical application, using realworld timetable data to simulate various delay scenarios. Results show that the model optimize delays, reassign platform , and preserves critical passenger connections which vary according to number of passenger. The modle is implemented in Python and solved using MILP solver CBC, showing strong computational performance with different levels of disruption. This research contributes a scalable and passenger oriented approach to delay management in railway systems and lays the foundation for future integration with realtime traffic management systems.

Questa tesi presenta un modello di Programmazione Lineare Intera Mista (MILP) per la riprogrammazione dei treni in tempo reale in caso di interruzioni operative, incentrate sulla scala della stazione. Il modello incorpora vincoli operativi e strutturali critici per le ferrovie, tra cui conflitti di binario, assegnazione dei binari, sicurezza della frequenza e coincidenze per il trasferimento passeggeri. Rispetto ai tradizionali metodi basati su regole, il modello di ottimizzazione proposto riduce al minimo il ritardo totale, insieme alle penali per la riassegnazione dei binari e alle penali per i trasferimenti passeggeri interrotti. Il caso di studio presso la stazione di Arezzo dimostra l'applicazione pratica del modello, utilizzando dati di orario reali per simulare diversi scenari di ritardo. I risultati mostrano che il modello ottimizza i ritardi, riassegna i binari e preserva le coincidenze passeggeri critiche, che variano in base al numero di passeggeri. Il modello è implementato in Python e risolto utilizzando il risolutore MILP CBC, mostrando elevate prestazioni computazionali con diversi livelli di interruzione. Questa ricerca contribuisce a un approccio scalabile e orientato al passeggero per la gestione dei ritardi nei sistemi ferroviari e getta le basi per la futura integrazione con i sistemi di gestione del traffico in tempo reale.