



European rail networks have aged past their design life. Renewal trails the work each year. The same networks now carry more traffic on essentially fixed track. Since October 2024, EU Directive 2022/2557 (CER) obliges Member States to require recurring risk assessment on critical rail operators. Why now carries the full reading.
SAMRoute intègre des données géospatiales génériques (topologie du réseau, couches de référence, données de contexte), puis ajoute des entrées spécifiques au besoin comme des inventaires d’émetteurs et de points critiques (et, le cas échéant, des jeux de données clients). Les choix de modélisation reposent sur des hypothèses explicites qui peuvent être revues et ajustées.
Il génère des paires origine–destination (OD) et calcule des itinéraires modélisés, dont un trajet principal et un trajet alternatif évitant un point critique donné. Il ne conserve que les paires OD qui traversent réellement le point, agrège les résultats par point critique et les stocke pour une consultation en direct dans l’interface.
La chaîne est traçable de bout en bout (entrées → hypothèses → résultats). Elle permet le partage. Et elle proposera des liaisons machine-à-machine tout en maintenant les résultats à jour lorsque les données évoluent.
Cette démo s’adresse aux équipes d’infrastructure ferroviaire. Elle montre comment le contexte local autour d’un passage à niveau—et les dépendances des flux routiers à risque—peuvent être décrits sur une base cohérente, puis consolidés dans une vue portefeuille que vous pouvez trier et comparer pour soutenir la priorisation.
— Pour la voir en action, demandez une démo.
SAMRoute pulls in general-purpose geospatial data (network topology, reference layers, context datasets). It then adds task-specific inputs, such as inventories of emitters and critical points, and customer datasets where available. The modelling choices rest on explicit assumptions that owners can review and adjust.
The platform generates origin–destination (OD) pairs and computes a primary route plus an alternative that avoids a given critical point. It keeps only the OD pairs that actually traverse the point. It then aggregates results per critical point and stores them for live use in the UI.
The chain stays traceable end-to-end, from inputs through assumptions to results. It supports sharing today. It will support machine-to-machine hooks and keep outputs current as data evolves.
This demo targets rail-infrastructure teams. It shows how the platform describes the local context around a level crossing and the dependencies of at-risk road flows on a consistent basis. It then consolidates both into a portfolio view you can sort and compare to support prioritisation.
To see it in action, request a walkthrough.

Fabrice Colas founded Oriskami SAS and runs SAMRoute. PhD in statistical learning from Leiden University, postdoctoral research at UCLA, UMC Utrecht, and Leiden University Medical Center, and a personal CIR-approved consultant agrément from the French Ministry of Research (2022, renewed 2025–2027).
Who we are carries the fuller depth panel, including selected publications, prior production-shipping work, and applied epidemio-statistics.