Transportmodell: definiera processmetoder
Nu när du har definierat modellens indata är det dags att skapa modellmotorn, som består av de metoder som karakteriserar dina processer.
Två processer påverkar hur lång tid det tar för en given förare att tillryggalägga en viss sträcka: (1) den faktiska körtiden för att färdas den önskade sträckan med hänsyn till hastighetsgränsen, och (2) väntetiden vid trafikljus.
Den här övningen är en del av kursen
Diskret händelsesimulering i Python
Övningsinstruktioner
- Använd gaussisk fördelning för att pseudoslumpmässigt generera värden för
random_generated["Distance"]. - Uppdatera
distance_totalgenom att lägga till det nyberäknade avståndet. - Generera heltalsvärden slumpmässigt för
random_generated["WaitTime"].
Interaktiv övning med praktiskt arbete
Testa den här övningen genom att slutföra den här exempelkoden.
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