Ecco come la BLS guarda al futuro con il machine learning

I ritardi non si possono evitare, ma grazie al machine learning, all’interno della BLS Cargo, possiamo comunque fare previsioni più affidabili e rendere la logistica più efficiente. Il tutto è supportato da una piattaforma big data con cui l’azienda ferroviaria BLS dà il via a un futuro all’insegna della digitalizzazione.

È già tardo pomeriggio quando il treno merci proveniente da Anversa fa finalmente il suo arrivo a Frenkendorf (BL), mezza giornata più tardi del previsto. Immediatamente gli operai iniziano a scaricare il treno e a caricare le merci negli appositi camion. L’attività è vivace, ma non frenetica. Infatti, il controllo e la gestione dei treni all’interno del Reparto Spedizioni della BLS Cargo aveva già previsto questo ritardo. Questo ha permesso al personale operaio del terminal e alle aziende di logistica per la distribuzione capillare di riprogrammare le operazioni di conseguenza.

Il sistema genera fino a 60’000 notifiche al giorno dagli oltre 200 punti operativi ubicati lungo il Corridoio Reno-Alpi, la rotta merci tra Rotterdam in Olanda e Genova in Italia. Questi messaggi, chiamati TRFM (TrainRunningForecastMessages), costituiscono la base di dati necessaria per poter prevedere i ritardi. La rete si estende per 1250 chilometri, sui quali circolano oltre 20’000 treni merci BLS Cargo all’anno. I ritardi sono frequenti sulla fitta rete ferroviaria europea e rappresentano una sfida per i reparti di Spedizione e Logistica. «Grazie agli orari di arrivo stimati, possiamo ottimizzare la pianificazione delle risorse», afferma Pascal Truniger. «Vi rientra la pianificazione dei turni dei macchinisti secondo le disposizioni della legge sul lavoro, ma anche il coordinamento delle aziende logistiche e dei clienti.»

Il sistema è garanzia quindi di un notevole aumento di efficienza non solo per la BLS Cargo stessa, ma anche per le aziende partner e i clienti, che possono pianificare con molta più precisione l’impiego dei camion per la distribuzione capillare della merce e ridurre così i tempi morti. Ciò garantisce regolarità non solo presso i terminal stessi, ma anche nel Reparto Spedizioni della BLS Cargo. Non è più necessario stimare manualmente e in termini di tempo gli orari di arrivo utilizzando tabelle Excel, il che si traduce in un notevole sgravio per gli spedizionieri, soprattutto nei periodi di punta.

Pianificare meglio grazie al machine learning

Le informazioni sulla posizione attuale dei treni sono reperite dal sistema ETA (ETA: Estimated Time of Arrival, ora di arrivo prevista) attraverso il Data Lake centrale della BLS. «Da un lato abbiamo un ampio ecosistema SAP, ma anche molti dati semi-strutturati e non strutturati», afferma Marcel Graf, responsabile del team Data Science presso BLS. «Per combinare queste informazioni provenienti da diverse fonti ed elaborarle ulteriormente in tempo reale, insieme a Swisscom abbiamo creato un Data Lake su Azure.» Per questo progetto, nel bando di gara la BLS ha cercato un’azienda che avesse familiarità con SAP, con la gestione dei Big Data su cloud e con il machine learning. «Trovare queste competenze non è stato facile», ricorda Marcel Graf. «Dai colloqui è emerso subito che Swisscom dispone delle capacità necessarie in tutti questi settori.» Il Data Lake funge ora da base per i progetti di digitalizzazione della BLS basati sui dati e rappresenta quindi un investimento per il futuro.

Anche i dati grezzi provenienti dai punti di misurazione lungo la tratta ferroviaria per il sistema ETA di BLS Cargo confluiscono nella piattaforma di big data. Sulla base di questi dati, un modello di machine learning calcola l’ora di arrivo prevista. Prima di tutto, però, è stato necessario verificare se queste informazioni fossero sufficienti per consentire di prevedere un orario di arrivo affidabile. «Dal mio giardino posso vedere l’asse principale che attraversa la BLS Cargo», ricorda Pascal Truniger. «Durante il Proof of Concept ogni tanto andavo in giardino con il mio notebook e controllavo se il treno passasse davvero all’ora prevista.»

Il treno arrivò all’orario previsto. E così oggi gli spedizionieri della BLS Cargo possono fare affidamento su una stima calcolata dell’orario di arrivo e non devono più basarsi su dati più o meno precisi.

Ottimizzare le operazioni ferroviarie con la digitalizzazione

Nel frattempo il treno merci è stato scaricato e il convoglio è pronto per il prossimo trasporto. Grazie al sistema ETA, anche il macchinista è arrivato in orario al terminal. Ora riporterà il treno verso nord, in direzione Anversa.

Anche la BLS e la BLS Cargo hanno previsto ulteriori tappe sul loro percorso con il Data Lake. «Il prossimo obiettivo è far sì che le segnalazioni sulle tratte dei treni merci ci forniscano informazioni sui motivi dei ritardi», afferma Pascal Truniger. «In questo modo potremmo ottimizzare ulteriormente l’attività e migliorare la qualità.»

Anche Marcel Graf della BLS è convinto che la digitalizzazione e l’attuazione di misure sulla base di dati migliorino la gestione dei treni: «Grazie al machine learning e ai dati dei sensori dei veicoli adibiti al traffico passeggeri, il nostro obiettivo è quello di contribuire a prevedere e pianificare meglio gli intervalli di manutenzione.»

E anche i passeggeri del trasporto veicoli «Autoverlad Lötschberg» potrebbero un giorno beneficiare dell’intelligenza artificiale. «Con i dati sul livello di carico dei treni adibiti al trasporto di automobili possiamo ottimizzare la pianificazione logistica e le capacità necessarie, riducendo così i tempi di attesa», afferma Marcel Graf con uno sguardo al futuro.