交通运输模型：定义模型输入

让我们把这些要素结合起来，搭建完整的模型组件。

您受托优化芝加哥市的交通信号灯，以提升交通流畅度。在这种场景下，离散事件模型非常有用。

第一步是测量路口之间道路的平均长度。您的结论是平均约为 100 米，标准差约为 20 米。这意味着驾驶员大约每行驶 80-120 米就会遇到一个红绿灯。

芝加哥的限速为 30 mph（约 50 km/h）。市政官员告知您，红灯平均最长可持续 90 秒。请先定义模型的输入和输出。

本练习是课程的一部分

Python 中的离散事件模拟

查看课程

练习说明

设置 inputs["Dist_between_intersections_m"] 数组的均值和标准差。
使用高斯分布生成 RandomGener["Distance"] 的取值。
使用随机方法为 RandomGener["WaitTime"] 生成整数。

交互式实操练习

通过完成这段示例代码来试试这个练习。

# 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()

编辑并运行代码