Tussen de spitsuren door komen treinen binnen bij een onderhoudslocatie. Aldaar wordt het verplichte periodiek onderhoud uitgevoerd en wordt het materieel gesplitst en opnieuw gekoppeld. Het plannen van al deze werkzaamheden en spoorbewegingen is zeer complex. Maar hoe gevoelig is zo’n plan eigenlijk voor de dagelijkse realiteit zoals storingen en vertragingen? En wat als er opeens meer capaciteit nodig is? Eenvoudigweg alle combinaties doorrekenen is veel te tijdrovend, maar is het toch mogelijk om de bottlenecks in een dynamische en reactieve omgeving te bepalen?
Met Machine Learning technieken ontwikkelde Sioux Mathware een algoritme dat nauwkeurige uitspraken maakt op basis van zo min mogelijk planproblemen. De klant kan een what-if scenario specificeren, samen met de parameters die binnen een onderhoudslocatie verbeterd kunnen worden. Vervolgens bepaalt het Mathware algoritme de capaciteitslimiet in een oplossingsruimte waarin de hele onderhoudslocatie beschreven is. Hierbij wordt niet alleen gebruik gemaakt van traditionele algoritmiek, maar worden ook moderne technieken zoals active learning toegepast.
Het resultaat is dat die alleen die planproblemen uitgediept worden die het meeste bijdragen in de informatie over de capaciteit. De traditionele en moderne technieken worden op een slimme manier afgewisseld totdat de gewenste nauwkeurigheid wordt bereikt. Zo krijgt de klant inzicht in de problemen van de toekomst en kan hij hier pro-actief op anticiperen.