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
Simulation d’événements discrets en Python
Instructions
- Utilisez la distribution gaussienne pour générer de manière pseudo-aléatoire des valeurs pour
random_generated["Distance"]. - Mettez à jour
distance_totalen ajoutant la nouvelle distance calculée. - Générez des valeurs entières aléatoires pour
random_generated["WaitTime"].
Exercice interactif pratique
Essayez cet exercice en complétant cet exemple de code.
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