Singel point of truth for tysklands togpassasjerer

Spore minst 60 millioner hendelser per dag

Den største utfordringen for prosjektet er DBs svært komplekse og sikkerhetskritiske miljø. DBs nettverk har hver dag rundt 16 millioner sporingshendelser, det vil si hver gang et tog stopper og starter. I tillegg kommer det hver dag 1,2 millioner meldinger om kjørende tog, og 4,4 millioner meldinger om togposisjon. Disse meldingene følger en internasjonal standardprotokoll: Før et tog kommer inn på stasjonen, må det kontrolleres at det kommer til riktig plattform og kjører i riktig retning. På grunn av de enorme datamengdene, den store databehandlingskapasiteten som kreves for å behandle dataene i nær sanntid, og behovet for tilgang fra ulike steder, ble det tidlig klart at den nye appen måtte utvikles og driftes i skyen. Det ble også tidlig bestemt at dette skulle skje i samarbeid med AWS, fordi deres infrastruktur og tjenester oppfyller Deutsche Bahns krav.

CI/CD-pipeline

Det viktigste målet var å implementere SPOT for å distribuere konsekvent informasjon gjennom alle informasjonskanaler og berøringspunkter. Det var imidlertid noen utfordringer i oppstartfasen som måtte løses. Dataene måtte hentes inn fra et stort antall ulike kilder, enkelte av dem med svært komplekse grensesnitt. En del protokoller og dataformater i eldre, egenutviklede løsninger var utdatert, noe som vanskeliggjorde konsolideringen ytterligere. Samtidig måtte det tilrettelegges for teknologisk konsekvens, og takket være en automatisert CI/CD-pipeline (Continuous Integration and Continuous Delivery) har så å si alle avbrudd og nedetider i systemet blitt eliminert.

Finne togene uten GPS-signaler

En annen utfordring bestod i at togene ikke er tydelig merket, kun noen få av modellene hadde GPS-signaler. Det var også vanskelig å identifisere hvilke fysiske vogner som befant seg på hvilket punkt. På grunn av denne svært kompliserte forretningslogikken tok det uforholdsmessig mye tid å koble dataene til SPOT.

“Vi brukte mye tid på å skaffe domenekunnskapen som trengtes for å innarbeide de komplekse tekniske kontekstene i plattformen” sier Tobias Buser, Teamlead Development i applikasjoner hos The unbelievable Machine Company.

Han synes det er spennende å få delta i et så utfordrende prosjekt knyttet til digital transformasjon.

Maskinlæring for presisjon

Fra- og tilkoblingen av tog er spesielt vanskelig å representere logisk sett. Derfor bruker prosjektet maskinlæring til blant annet å identifisere i hvilken retning et tog kjører og hvor vogner kobles til eller fra.

Deretter måtte den tilsvarende systemarkitekturen som er basert på en rutetabellbygger utvikles. Den genererer en fullstendig mål-rutetabell som kombinerer kundens rutetabell med den såkalte driftsrutetabellen. Denne mål-rutetabellen brukes til å opprette kortsiktige rutetabellendringer i tillegg til sanntidsdata i form av togposisjonsrapporter, basert på sensorene i sporene.

“For første gang kunne vi generere en konsolidert visning av data fra helt uavhengige systemer”, forklarer Tobias Buser.