Trafikmodell: definiera modellindata
Nu är det dags att sätta ihop alla modellkomponenter.
Du har fått i uppdrag att optimera trafikljusen i Chicago för att förbättra trafikflödet. En diskret händelsemodell är ett bra verktyg i den här typen av situationer.
Första steget är att mäta den genomsnittliga väglängden mellan korsningar. Du har kommit fram till att den är i genomsnitt 100 meter med en standardavvikelse på ungefär 20 meter – vilket innebär att en förare förväntas passera ett trafikljus var 80–120 meter.
Hastighetsgränsen i Chicago är 30 mph (ungefär 50 km/h). Stadens tjänstemän har informerat dig om att rött ljus i genomsnitt varar i upp till 90 sekunder. Börja med att definiera indata och utdata för din modell.
Den här övningen är en del av kursen
Diskret händelsesimulering i Python
Övningsinstruktioner
- Ange medelvärdet och standardavvikelsen för arrayen
inputs["Dist_between_intersections_m"]. - Använd gaussfördelning för att generera värdena i
RandomGener["Distance"]. - Använd en slumpmässig metod för att generera heltal till
RandomGener["WaitTime"].
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
# Define the model inputs
inputs = {"Dist_between_intersections_m": [____, ____],
"Speed_limit_ms": 50 * 1000 / (60 * 60),
"Max_waitTime_traffic_lights_sec": 90}
random_generated = {"Distance": [], "WaitTime": []}
for i in range(5000):
# Use the random package to generate pseudo-random values
random_generated["Distance"].append(random.____(inputs['Dist_between_intersections_m'][0],inputs['Dist_between_intersections_m'][1]))
random_generated["WaitTime"].append(random.____(0, inputs['Max_waitTime_traffic_lights_sec']))
# Plot the randomly generated distance "events"
plt.hist(random_generated["Distance"], bins=100)
plt.xlabel('# Events')
plt.ylabel('# Distance travelled (m)')
plt.show()