Un train de marchandises se compose de containers qui se suivent mais ne se ressemblent pas. Ils varient en effet notamment en taille, en poids, mais aussi selon leur provenance et leur destination finale. Pour le Canadien National (CN) qui fait rouler des milliers de trains par semaine, la configuration des trains et le chargement des containers font ainsi figure de casse-tête. Pour le résoudre, le CN s’est joint au Département d’informatique et de recherche opérationnelle (DIRO) de l’Université de Montréal, un de nos membres, pour créer la Chaire CN en optimisation des opérations ferroviaires.

Dans un train, les wagons sont assemblés en fonction de la destination des containers qu’ils transportent. Ainsi, sur un train en partance de Montréal vers Vancouver, les wagons à destination de Toronto seront détachés en premier et devraient donc être placés en queue de train. Mais une fois arrivé à Toronto, le train recevra d’autres cargaisons qu’il faudra organiser selon leurs destinations. À cela s’ajoutent des contraintes de dimensions et de poids, car on ne charge pas un conteneur lourd au-dessus d’un plus léger par exemple. « C’est l’assemblage de toutes ces contraintes qui complique les opérations dans le terminal intermodal », commente Johanne Dandurand, directrice au département Innovation et Optimisation Multimodale au CN. Ce casse-tête peut se résoudre en deux étapes.

La première consiste à analyser la demande, pour déterminer le nombre et le type de wagons qui seront nécessaires pour acheminer les différents containers jusqu’à leurs destinations respectives. Nous avons là une problématique de prédiction, soluble par des algorithmes d’apprentissage automatique opérant à partir de données sur les historiques de transport. Le CN a ainsi fourni à l’équipe d’Emma Frejinger, professeure agrégée au DIRO et titulaire de la Chaire CN, l’équivalent de quatre années de données de destinations, dates et caractéristiques de containers. En y ajoutant des facteurs externes susceptibles d’influencer le transport des marchandises, tels que les cycles économiques, les jours de la semaine, et même le nouvel an chinois, les algorithmes ont pu identifier des tendances, dont l’évolution dans le temps du nombre de containers en circulation et leurs caractéristiques. À partir de ces tendances, ils ont pu en déduire des prédictions de demande de wagons.

Une fois la demande en wagons estimée, la seconde étape consiste à trouver la configuration optimale du train, ainsi que le meilleur ordre de chargement des containers. Ces deux facteurs permettront alors d’optimiser les opérations dans les terminaux intermodaux. À partir des prédictions fournies par les algorithmes d’apprentissage automatique, des algorithmes de recherche opérationnelle peuvent à leur tour aider à définir cette solution optimale.

Sur le terrain, « ça aide les opérateurs de grue à prendre des décisions en leur disant où mettre tel container », illustre Emma Frejinger qui est aussi membre du Centre interuniversitaire de recherche sur les réseaux d’entreprise, la logistique et le transport (CIRRELT), lui-même un de nos membres.

Ces deux étapes sont donc intimement liées, le degré d’optimisation des solutions identifiées dépendant du niveau de précision des prédictions. Le premier défi à relever consiste donc à obtenir les prédictions les plus précises possible. Cependant, des situations imprévisibles peuvent survenir et fausser les prédictions. S’ajoute alors le défi de réussir à définir des solutions robustes qui demeurent optimales même en cas d’imprévus.