Modèle de transport : définir les méthodes de processus

Maintenant que vous avez défini les entrées du modèle, vous pouvez créer le moteur du modèle, c’est-à-dire les méthodes qui vont caractériser vos processus.

Deux processus influencent le temps qu’un conducteur met à parcourir une certaine distance : (1) le temps de conduite effectif pour parcourir la distance souhaitée en respectant la limitation de vitesse et (2) le temps d’attente aux feux de circulation.

Cet exercice fait partie du cours

<cours>Simulation d’événements discrets en Python</cours>

Voir le cours

Instructions de l’exercice

Utilisez la distribution gaussienne pour générer de manière pseudo-aléatoire des valeurs pour random_generated["Distance"].
Mettez à jour distance_total en ajoutant la nouvelle distance calculée.
Générez des valeurs entières aléatoires pour random_generated["WaitTime"].

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

def road_travel(inputs, distance_total):
  	
    # Use the Gaussian method to generate distance values
    distance = ____.____(inputs['Dist_between_intersections_m'][0], inputs['Dist_between_intersections_m'][1])
    
    # Update the total distance
    distance_total += ____
    return distance, distance_total

def wait_traffic_light(inputs, distance_total):
	
    # Generate random (integer) waiting times
    waitTime_traffic_light_sec = ____.____(0, inputs['Max_waitTime_traffic_lights_sec'])
    return waitTime_traffic_light_sec

Modifier et exécuter le code