本文詳細代碼見我的github倉庫 AI_ML_DataAnalysis_DataVisualization_Classic-Examples

Nagel-Schreckenberg模型是高速公路交通模擬的理論模型。該模型由德國物理學家Kai Nagel和Michael Schreckenberg于20世紀90年代初開發。它本質上是用于道路交通流量的簡單元胞自動機模型，其可以再現交通擁堵，即，當道路擁擠時顯示平均車速減慢。
現在模擬一個場景，在一個環形公路上，所有車圍成一個圓，每輛車有一定的概率減速．當后面的車的車速比它前面相鄰的車車速快時，即將產生追及問題時，后面的車就必須減速，這樣就會導致各種不同情況的擁堵．
模擬代碼如下：
減速概率p，車輛初速度v都可以手動改變，以測試不同情況
ns.ttc是一個字庫，需要導入
當減速概率p為0.5時：

# -*- coding: utf-8 -*-from matplotlib.font_manager import * import matplotlib.pyplot as plt import numpy as npmyfont = FontProperties(fname='ns.ttc') matplotlib.rcParams['axes.unicode_minus'] = False np.random.seed(0)def Run(path=5000, n=100, v0=60, ltv=120, p=0.3, times=3000):'''path = 5000.0 # 道路長度n = 100 # 車輛數目v0 = 60 # 初始速度ltv = 120 # 最大限速p = 0.3 # 減速概率times = 3000 # 模擬的時刻數目'''# x保存每輛車在道路上的位置，隨機初始化x = np.random.rand(n) * pathx.sort()# v保存每輛車的速度，初速度相同v = np.ones(n) * v0plt.figure(figsize=(5, 4), facecolor='w')# 模擬每個時刻for t in range(times):plt.scatter(x, [t] * n, s=1, c='k', alpha=0.05)# 模擬每輛車for i in range(n):# 計算當前車與前車的距離，注意是環形車道if x[(i + 1) % n] > x[i]:d = x[(i + 1) % n] - x[i]else:d = path - x[i] + x[(i + 1) % n]# 根據距離計算下一秒的速度if v[i] < d:if np.random.rand() > p:v[i] += 1else:v[i] -= 1else:v[i] = d - 1# 對速度進行限制v = v.clip(0, ltv)# 一秒后，車輛的位置發生了變化x += v# 注意是環形車道x = x % path# 展示plt.xlim(0, path)plt.ylim(0, times)plt.xlabel(u'車輛位置', fontproperties=myfont)plt.ylabel(u'模擬時間', fontproperties=myfont)plt.title(u'交通模擬(車道長度%d,車輛數%d,初速度%s,減速概率%s)' % (path, n, v0, p), fontproperties=myfont)# plt.tight_layout(pad=2)plt.show()if __name__ == '__main__':# Run(v0=0)# Run(v0=20)# Run(v0=40)# Run(v0=60)# Run(p=0.0)# Run(p=0.1)# Run(p=0.3)Run(p=0.5) # Run(p=0.8) # Run(p=1.0)

運行結果：

圖中線條越密集的地方代表越有可能發生堵車的情況

當p=0時，也就是不減速，你會發現所有車勻速行駛，不會出現堵車情況

當p=0.3時

當p=0.8時：

極端現象，車輛直接堵死了，就像北京環內一樣，當p=1時：

所以可以得出結論：減速概率越大，交通擁擠概率越大，越容易堵車

總結

以上是生活随笔為你收集整理的Nagel-Schreckenberg(交通流)模型——python实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。