Resumen

Se emplea la agrupación de K-means para identificar patrones recurrentes de retrasos en una línea ferroviaria de alto tráfico al norte de Copenhague (Dinamarca). Los clusters identifican patrones de comportamiento en los conjuntos de datos de gran tamaño ("big data") generados de forma automática y continua por el sistema de señales ferroviarias. Los resultados revelan las condiciones en las que son necesarias medidas correctoras, mostrando los casos en los que se producen patrones de retraso recurrentes. Los perfiles de retraso y los perfiles de cambio de retraso se generan a partir de marcas de tiempo para comparar diferentes recorridos de trenes y particionar el conjunto de observaciones en grupos de elementos similares. La agrupación de K-means puede identificar y discriminar diferentes patrones que afectan a las mismas estaciones, lo que resulta difícil en los enfoques anteriores basados en la inspección visual. Los métodos clásicos de análisis univariante no revelan estos patrones. La metodología demostrada es escalable y puede aplicarse a cualquier sistema de transporte.

• Materias:Planificación de la producción Infraestructura de transportes Ingeniería del transporte Seguridad del transporte Planificación de ruta Capacidad de tráfico
• Subjects:Production planning Transport infrastructure Transport engineering Transport safety Path planning Traffic capacity
• Palabras claves:patrones de retraso recurrentes, línea ferroviaria de alto tráfico, diferentes circulaciones de trenes, sistema de señalización ferroviaria, agrupación, métodos clásicos, perfiles de retraso, patrones de comportamiento, big data, perfiles de cambio
• Keywords:recurrent delay patterns, high traffic railway line, different train runs, railway signal system, clustering, classical methods, delay profiles, behavioral patterns, big data, change profiles