Junaliikenteen viivästysten stokastinen mallintaminen
Seppinen, Amanda (2025)
Kandidaatintyö
2025
School of Engineering Science, Laskennallinen tekniikka
Kaikki oikeudet pidätetään.
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe2025060358222
https://urn.fi/URN:NBN:fi-fe2025060358222
Tiivistelmä
Junaliikenteen täsmällisyys on keskeinen tekijä niin matkustajien tyytyväisyyden kuin liikennejärjestelmän toimivuuden kannalta. Tässä kandidaatintyössä tarkastellaan junaliikenteen viivästysten mallintamista stokastisten menetelmien avulla. Työn tavoitteena on arvioida, miten satunnaiset viivästykset käyttäytyvät yksittäisen aseman näkökulmasta ja soveltaa parametriestimointia näiden viivästysten mallintamiseen.
Aineistona käytettiin Fintrafficin Digitraffic-rajapinnan kautta haettua toteumatietoa Helsingin päärautatieaseman junista valituilta yksittäisiltä päiviltä vuoden 2025 aikana. Aineistosta laskettiin viivästysten jakaumia ja simuloitiin junien saapumisaikoja satunnaismuuttujina. Simulaatioilla pyrittiin arvioimaan viiveiden todennäköisyysjakaumaa sekä ymmärtämään viivästysten kasaantumista yksittäisen päivän aikana.
Tulokset osoittivat, että pienet viivästykset ovat yleisiä, mutta suuria viivästyksiä esiintyy satunnaisesti ja ne voivat aiheuttaa merkittäviä poikkeamia aikatauluista. Mallinnus antoi realistisen kuvan viivästysten vaihtelusta ja soveltuu jatkossa käytettäväksi esimerkiksi riskienhallinnan ja kapasiteetinsuunnittelun tukena. Punctuality in rail transport is a key factor affecting both passenger satisfaction and the overall efficiency of the transportation system. This bachelor’s thesis explores the modeling of train delays using stochastic methods. The aim is to analyze how random delays behave from the perspective of a single station and to apply parameter estimation to model these delays.
The dataset consists of realized train traffic data retrieved via Fintraffic’s Digitraffic API for selected days in 2025 at Helsinki Central Station. Delay distributions were calculated from the data, and train arrival times were simulated as random variables. The simulations aimed to estimate the probability distribution of delays and to understand the accumulation of delays over the course of a day.
The results indicate that small delays are common, while larger delays occur sporadically and can lead to significant deviations from scheduled times. The modeling provided a realistic view of the variability in delays and can be applied in future for supporting risk management and capacity planning.
Aineistona käytettiin Fintrafficin Digitraffic-rajapinnan kautta haettua toteumatietoa Helsingin päärautatieaseman junista valituilta yksittäisiltä päiviltä vuoden 2025 aikana. Aineistosta laskettiin viivästysten jakaumia ja simuloitiin junien saapumisaikoja satunnaismuuttujina. Simulaatioilla pyrittiin arvioimaan viiveiden todennäköisyysjakaumaa sekä ymmärtämään viivästysten kasaantumista yksittäisen päivän aikana.
Tulokset osoittivat, että pienet viivästykset ovat yleisiä, mutta suuria viivästyksiä esiintyy satunnaisesti ja ne voivat aiheuttaa merkittäviä poikkeamia aikatauluista. Mallinnus antoi realistisen kuvan viivästysten vaihtelusta ja soveltuu jatkossa käytettäväksi esimerkiksi riskienhallinnan ja kapasiteetinsuunnittelun tukena.
The dataset consists of realized train traffic data retrieved via Fintraffic’s Digitraffic API for selected days in 2025 at Helsinki Central Station. Delay distributions were calculated from the data, and train arrival times were simulated as random variables. The simulations aimed to estimate the probability distribution of delays and to understand the accumulation of delays over the course of a day.
The results indicate that small delays are common, while larger delays occur sporadically and can lead to significant deviations from scheduled times. The modeling provided a realistic view of the variability in delays and can be applied in future for supporting risk management and capacity planning.