Godståg möter persontåg vid Falu C. Foto: Göran Fält
Denna nyhet är äldre än 6 månader
Forskning och innovation för ökad kapacitet och punktlighet
Hoppa till:
Branschprogrammet ”Ökad Kapacitet i järnvägstrafiken” (KAJT) genomför forskning för att förbättra järnvägssystemet. Här utvecklas koncept, verktyg och metoder för att för att alla ska komma fram smidigt, grönt och tryggt.
Den 23 april höll KAJT sitt återkommande vårseminarium för att redovisa uppnådda resultat och pågående forskning. Utifrån Corona så hölls seminariet via Skype och lockade cirka 160 deltagare från Sverige och Norge. Under seminariet fanns möjlighet till dialog och att få svar på frågor. Samtliga presentationer och svar på frågorna nås i länken under artikeln. Här ges en kort sammanfattning av de framförda presentationerna.
Forskningen stödjer dynamisk styrning och självkörande tåg
Rebecca Cort Uppsala universitet utför forskning om samarbete mellan tågklarerare och lokförare. Forskningen utförs om interaktionen människa – teknik, informationsflöde och kommunikation. Den nya tekniken ger utmaningar om att utveckla och förändra arbetssättet, samt om hur arbetet kan koordineras utifrån ett systemperspektiv.
Örjan Jonsson Trafikverket redovisade utförd forskning och utveckling inom Shift2Rail om automation och självkörande tåg. Örjan arbetar i Innovationsprogram 2 där infrastrukturhållare i Europa samarbetar med systemleverantörerna om att specificera självkörande tåg och att genomföra demonstration av det. I Sverige är huvudfokus GoA 2 där lokföraren har ett stöd för tågkörningen. Örjan berättade också om pågående forskning om förarlösa tåg GoA3 och GoA4.
Peter Olsson Trafikverket och Morgan Lindström Railit redovisade, Pilot C-DAS, ett pågående projekt inom TTT (Branschsamverkan Tillsammans för tåg i tid). I projektet kopplas Digital graf (Steg) ihop med SJ:s lokförarstöd Infotracker. Syfte med demonstrationsprojektet är att studera möjligheterna till ökad punktlighet genom connected DAS, (DAS betyder Driving Advisory System - körrekommendationer).
Carl-William Palmqvist , Lunds universitet berättade om pågående forskning om tidtabellsplanering och sambandet mellan fördelning av tidstillägg och tågens punktlighet. Carl-William framförde att det är viktigt att aktivt arbeta med fördelning av tidstillägg, samt att ha kunskap om tidstilläggens påverkan på systemets punktlighet. Tidigare har Carl-Williams forskning varit inriktad på mindre störningar för persontrafik, men nu har forskningen utökats med att även innefatta godstrafikens punktlighet.
Dari Ivina , Lunds universitet berättade om forskning om banarbeten. Hon har studerat utnyttjande av banarbeten i södra Sverige, samt hur banarbetena har påverkat tågtrafiken. Det är påverkan på tågens punktlighet och inställda tåg.
Ingrid Johansson , KTH presenterade en utvecklad metod för att beräkna kapacitetsutnyttjande på stationer och linje. Hon visade hur grundmetoden UIC 406 kan appliceras på linjer, stationer och helhet. En viktig del av forskningen är just att förtydliga steget mellan en enskild komprimering linje/station och en nätkomprimering av linjer och stationer.
Sara Gestrelius , Rise presenterade forskningsprojektet Grapro som går ut på att optimera en grafisk prognostidtabell. Projektet genomfördes tillsammans med Magnus Backman , kapacitetsanalytiker hos Trafikverket.
Sara utvecklade en optimeringsalgoritm med sex olika målfunktioner under projektet. Optimeringarna genomfördes på järnvägsnätet i södra Sverige. Slutsatsen är att modellen klarar av att optimera och leverera relevanta tågplaner. För att modellen ska bli användbar krävs dock mer forskning om interaktionen mellan optimeringsmodell och analytiker.
Martin Joborn och Zohreh Ranjbar , båda Rise avslutade seminariet med att presentera utförd forskning om tidiga och sena godståg från Malmö godsbangård. De har studerat trafikeringen av godsbangården utifrån en större mängd data från Green Cargo. Ett par slutsatser är ett starkt samband mellan avgångstid och k-rapporteringstid (5 minuter). En annan slutsats är att machine learning, maskininlärning, kan ge indikation på avgångstid. (Maskininlärning är ett område inom artificiell intelligens. Det handlar om metoder för att med data "träna" datorer att upptäcka och "lära" sig regler för att lösa en uppgift, utan att datorerna har programmerats med regler för just den uppgiften.)
Ta del av forskningsresultaten
Hade du nytta av informationen?
2 av 2 (100 %) läsare har svarat att de har haft nytta av informationen
Senast uppdaterad/granskad: 2020-05-12