Транспортна модель: визначення вхідних даних моделі

Зберімо все докупи та побудуймо всі компоненти моделі.

Вас попросили оптимізувати роботу світлофорів у Чикаґо, щоб покращити рух транспорту. У таких ситуаціях корисною є модель дискретних подій.

Перший крок — оцінити середню довжину відрізків доріг між перехрестями. Ви дійшли висновку, що це в середньому 100 метрів із стандартним відхиленням близько 20 метрів. Тобто водій, імовірно, зустрічатиме світлофор кожні 80–120 метрів.

Обмеження швидкості в Чикаґо становить 30 mph (приблизно 50 км/год). Представники міста повідомили, що в середньому червоне світло триває до 90 секунд. Почніть із визначення вхідних та вихідних даних вашої моделі.

Ця вправа є частиною курсу

Дискретно-подієве моделювання в Python

Переглянути курс

Інструкції до вправи

Задайте середнє значення та стандартне відхилення для масиву inputs["Dist_between_intersections_m"].
Застосуйте нормальний (гаусівський) розподіл, щоб згенерувати значення RandomGener["Distance"].
Застосуйте випадковий метод для генерування цілих чисел для RandomGener["WaitTime"].

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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()

Редагувати та запускати код