Транспортная модель: определение методов процессов
Теперь, когда входные данные модели определены, можно приступить к созданию её движка — набора методов, которые описывают характеристики процессов.
На время, которое водитель тратит на преодоление определённого расстояния, влияют два процесса: (1) фактическое время движения с учётом допустимой скорости и (2) время ожидания на светофорах.
Это упражнение является частью курса
Дискретно-событийное моделирование на Python
Инструкции к упражнению
- Используйте нормальное (гауссово) распределение для псевдослучайной генерации значений
random_generated["Distance"]. - Обновите
distance_total, прибавив к нему вновь вычисленное расстояние. - Сгенерируйте случайные целочисленные значения для
random_generated["WaitTime"].
Интерактивное практическое упражнение
Попробуйте выполнить это упражнение, дополнив этот пример кода.
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