Crédit photo en-tête de page : RFF / D'ANGELO Jean-Jacques

Une fabrique d’outils d’aide à la décision

Grâce aux mathématiques, la SNCF fait émerger les solutions les plus efficaces pour rationaliser le fonctionnement du réseau ferré et prépare des outils d’aide à la décision afin de faciliter le travail des opérateurs.

Mis à jour le

Avant que la rénovation de la gare de triage de Miramas (Bouches-du-Rhône) soit décidée en mai 2021, il a fallu définir les investissements d’infrastructures nécessaires à la hausse de trafic projetée. En temps normal, les études d’exploitation auraient pris trois bonnes semaines. Le temps qu’une dizaine de personnes résolvent une série de calculs complexes. Ça, c’était avant. Avant que les chercheurs de la SNCF ne s’emparent du problème de gestion optimale des gares de triage. Et qu’ils ne mettent au point, en 2020, un outil informatique capable de définir, en quelques minutes, les horaires de mouvements au sein d’une gare de triage afin que toutes les correspondances des wagons soient assurées en temps et en heure. Nom de code du logiciel ? ROC TRI. ROC pour « recherche opérationnelle en conception », et TRI pour « triage ».

ROC TRI, un puissant moteur de calcul pour les gares de triage

« Le moteur de calcul de ROC TRI fixe les horaires des opérations assurées par les engins de traction du triage - débranchement, formation et dégarage - de façon à maximiser le nombre de correspondances de wagons en transit », explique Juliette Pouzet, cheffe de projet Modélisation et Aide à la décision. « Nous sommes certains, avec cet outil, d’arriver à la solution optimale », poursuit-elle. Bel exemple de recours aux algorithmes pour faciliter le travail des agents et réaliser des économies substantielles, aussi bien sur le plan énergétique que pécuniaire.

« En clair, nous traduisons mathématiquement un problème pour dénicher la meilleure solution », résume Christelle Lérin, responsable du groupe « Modélisation et Optimisation de la décision » de la Direction Technologies, Innovation et Projets Groupe de la SNCF.

Fret SNCF utilise les outils de recherche opérationnelle pour optimiser son plan de transport et ses ressources, comme les sillons, les équipes et le matériel des triages. Avec à la clé une économie de 15 millions d’euros réalisée depuis 2019.

Vincent Chmielarski, dirigeant du pôle Recherche Opérationnelle et expert Synapses à la direction Performance et Services de Fret SNCF

Simuler pour mieux aider

Outre la recherche opérationnelle, qui désigne l'ensemble des techniques pour de meilleurs choix en vue d'aboutir à un résultat optimal, les chercheurs de la SNCF déploient une autre méthode : la simulation. Il s’agit ici de tester des hypothèses en reproduisant mathématiquement le fonctionnement d’un système. Exemple : ce logiciel en cours d’expérimentation qui simule la circulation future des trains, détecte et cherche à résoudre les conflits potentiels, afin de « prédire » les horaires d’arrivée des trains en gare. Le potentiel des techniques d’apprentissage automatique issues de l’Intelligence Artificielle est également exploré pour améliorer les modèles d’aide à la décision.

Que faire en cas de retard d’un train ? Décaler les suivants pour permettre aux voyageurs de prendre leur correspondance ? Ne pas s’arrêter dans certaines stations pour rattraper le retard ? Ajouter un train supplémentaire un peu plus tard dans la journée ? La décision dépend de multiples facteurs : le nombre de voyageurs impactés par l’un ou l’autre des solutions, le trafic sur le réseau, la disponibilité des trains et des agents… En prenant en compte tous ces paramètres, les algorithmes proposent aux agents les solutions et leurs conséquences. Une aide précieuse, côté opérateur, et au final une qualité de service accrue offerte aux voyageurs.

Crédit photo : © Laurent Rothan (TOMA) / RFF / CAPA

Trois questions à Christelle Lérin

Responsable du groupe « Modélisation et Optimisation de la décision » de la Direction Technologies, Innovation et Projets Groupe de la SNCF.

Quel est le bénéfice des sciences de la décision pour la SNCF, pour les chargeurs ou pour les voyageurs ?

Les sciences de la décision servent essentiellement à calculer les meilleurs choix, ceux qui amèneront la meilleure « performance » du système : par exemple, produire un service donné au meilleur coût, en utilisant le moins de ressources possibles, ou à atteindre la meilleure qualité de service possible à ressources fixes.

Comment cela se traduit-il concrètement ?

On peut, par exemple, déterminer la taille optimale de la flotte de rames nécessaire pour réaliser le service proposé aux clients, sans surcoûts liés à une flotte surdimensionnée. Ou encore choisir les acheminements optimum pour transporter des flux de marchandises. Les choix de régulation et de priorisation entre les trains, en cas de perturbation, peuvent être optimisés, en temps réel, pour faire en sorte que les perturbations impactent le moins possible de voyageurs. C’est de la recherche, mais le fait de travailler sur des prototypes qu’on peut mettre en application est très motivant ! Nous collaborons étroitement avec les directions des systèmes d’information, qui nous fournissent les flux de données et industrialisent les prototypes, et les 80 experts du réseau interne Synapses qui interviennent sur les sujets d’optimisation de l’exploitation.

Quel est l’horizon des sciences de la décision ? 

L’avenir est à ce qu’on appelle l’optimisation quantique. Actuellement, quand le problème est très combinatoire, la puissance de calcul est limitée. Nous travaillons donc d’ores et déjà sur les algorithmes quantiques en faisant le pari qu’ils seront utilisés pour le ferroviaire du futur. Anticiper, c’est aussi le sens de la recherche à la SNCF.

Nos partenaires

  • partenaires internes : TGV Intercités, Transilien, Fret, SNCF Réseau et les Directions des systèmes d’information Groupe.
  • principaux partenaires académiques : l’Université Gustave Eiffel, les Mines de St Etienne, l’Ecole des Ponts ParisTech, CentraleSupélec et IVADO de Montréal pour formaliser les problèmes industriels et identifier les meilleures approches de résolution pour les algorithmes qui sont développés.