Comment BLS se dirige vers l’avenir avec le machine learning

Certes, le machine learning chez BLS Cargo n’empêche pas les retards. Mais il permet des prévisions plus fiables et donc une logistique plus efficace. Derrière cette démarche se cache une plateforme Big Data qui permet à l’entreprise ferroviaire BLS d’amorcer un avenir digitalisé.

Il est déjà tard dans l’après-midi lorsque le train de marchandises en provenance d’Anvers arrive enfin à Frenkendorf (BL), avec une demi-journée de retard. Immédiatement, les ouvrier(ère)s commencent à décharger le train et à transporter les marchandises dans les camions qui les attendent. C’est l’effervescence, sans toutefois tomber dans la précipitation. En effet, le centre de contrôle des trains au sein de la division de planification de BLS Cargo avait déjà prévu le retard. Cela a permis aux ouvrier(ères)s du terminal et aux entreprises de logistique de la distribution fine de reprogrammer les interventions en conséquence.

Le système génère jusqu’à 60 000 notifications par jour à partir des plus de 200 centres d’exploitation situés le long du corridor Rhin-Alpin, l’itinéraire de fret entre Rotterdam aux Pays-Bas et Gênes en Italie. Ces notifications, appelées TRFM (TrainRunningForecastMessages), constituent la base de données pour prévoir les retards. Le réseau s’étend sur 1250 kilomètres et dessert chaque année plus de 20 000 trains de marchandises de BLS Cargo. Les retards sont fréquents sur le dense réseau ferroviaire européen et représentent un défi pour la planification et la logistique. «Grâce aux prévisions d’arrivée, nous pouvons optimiser la planification des ressources», explique Pascal Truniger. «Cela inclut la planification des horaires des conducteurs de train conformément aux dispositions de la loi sur le travail, mais aussi la coordination des entreprises logistiques et des clients.»

Le système garantit donc un gain d’efficacité considérable non seulement pour BLS Cargo lui-même, mais aussi pour les entreprises partenaires et les clients. Ceux-ci peuvent planifier avec beaucoup plus de précision l’utilisation des camions pour la distribution fine des marchandises et réduire les temps morts. Cela garantit un fonctionnement régulé non seulement au niveau des terminaux eux-mêmes, mais aussi au niveau de la division de planification de BLS Cargo. L’estimation manuelle et fastidieuse des heures d’arrivée à l’aide de tableaux Excel n’est plus nécessaire, ce qui permet d’alléger considérablement la charge de travail des planificateur(se)s, en particulier aux heures de pointe.

Mieux planifier grâce au machine learning

Le système ETA (ETA: Estimated Time to Arrival, heure d’arrivée prévue) tire ses données concernant la localisation actuelle des trains du Data Lake central de BLS. «D’une part, nous disposons d’un vaste environnement SAP, mais aussi de nombreuses données semi-structurées et non structurées», explique Marcel Graf, chef d’équipe Data Science chez BLS. «Afin de consolider ces informations provenant de différentes sources et de les traiter en temps réel, nous avons mis en place un Data Lake sur Azure en collaboration avec Swisscom.» Pour ce projet, BLS recherchait dans son appel d’offres une entreprise dotée d’une expertise à la fois de SAP et des Big Data dans le cloud, mais aussi du machine learning (l’apprentissage automatique). «Il n’a pas été facile de trouver ces compétences», se souvient Marcel Graf. «Les discussions ont toutefois rapidement montré que Swisscom disposait des compétences requises dans tous ces domaines.» Le Data Lake sert désormais de base aux projets de numérisation basés sur les données de BLS et constitue donc un investissement pour l’avenir.

La plateforme Big Data intègre également les données brutes des points de mesure le long de la ligne ferroviaire pour le système ETA de BLS Cargo. Sur la base de ces données, un modèle de machine learning calcule l’heure probable d’arrivée. Mais il a d’abord fallu vérifier que ces informations permettaient vraiment de prévoir une heure d’arrivée fiable. «Depuis mon jardin, je peux voir l’axe principal emprunté par BLS Cargo», se souvient Pascal Truniger. «Pendant le Proof of Concept, j’allais donc de temps en temps dans mon jardin avec mon ordinateur portable et je vérifiais si le train passait vraiment à l’heure prévue.»

Le train arrivait bien à l’heure prévue. Ainsi, les planificateur(se)s de BLS Cargo disposent aujourd’hui d’une estimation de l’heure d’arrivée et n’ont plus besoin de s’appuyer sur des valeurs tirées de l’expérience plus ou moins précises.

Optimiser l’exploitation ferroviaire grâce à la digitalisation

Entre-temps, le train de marchandises a été déchargé et la composition est prête pour le prochain transport. Le conducteur est lui aussi arrivé à temps au terminal grâce au système ETA. Il va maintenant ramener le train vers le nord, à Anvers.

BLS et BLS Cargo ont également prévu de réaliser d’autres progrès avec le Data Lake. «Nous espérons que les notifications des itinéraires des trains de marchandises puissent aussi nous fournir des informations sur les raisons des retards», déclare Pascal Truniger. «Cela nous permettrait d’optimiser davantage l’exploitation et d’améliorer la qualité.»

Marcel Graf de BLS est également convaincu que la digitalisation et les mesures basées sur les données améliorent l’exploitation ferroviaire: «Grâce au machine learning et aux données des capteurs provenant des wagons de passagers, notre objectif est de mieux prévoir et planifier l’entretien.»

Et les passagers qui utilisent le transport d’automobiles pour franchir le Lötschberg pourraient aussi un jour profiter de l’intelligence artificielle. «Grâce aux données sur l’occupation des trains de transport d’automobiles, nous pouvons aider à planifier l’intervention et les capacités nécessaires, et ainsi réduire les temps d’attente», déclare Marcel Graf en se projetant dans l’avenir.