SUMO الگوریتم Mersee Twister را برای تولید اعداد تصادفی پیاده سازی می کند. این ژنراتور عدد تصادفی (RNG) با مقدار بذر که به طور پیش فرض به مقدار (دلخواه) 23423 پیش فرض می شود ، آغاز می شود. این تنظیم باعث می شود همه برنامه ها به طور پیش فرض تعیین کننده باشند زیرا دنباله اعداد تصادفی برای یک دانه معین ثابت است. ممکن است بذر با استفاده از گزینه تغییر یابد. هنگام استفاده از گزین ه-تصادفی بذر بر اساس زمان فعلی سیستم انتخاب می شود که منجر به رفتار واقعاً تصادفی می شود.

این شبیه سازی از چندین نمونه RNG برای جدا کردن جنبه های مختلف شبیه سازی استفاده می کند

• تصادفی هنگام بارگیری وسایل نقلیه (TypeDistribution ، انحراف سرعت.)
• جریان احتمالی
• پویایی رانندگی وسیله نقلیه
• دستگاه خودرو

جداشدگی برای اطمینان از بارگذاری وسایل نقلیه بر رفتار شبیه سازی وسایل نقلیه قبلی انجام نمی شود. همه RNG ها از همان دانه استفاده می کنند.

توزیع مسیر#

وسایل نقلیه را می توان با یک مسیر ثابت () یا با یک جفت مبداء مبدا () به شبیه سازی اضافه کرد. جایگزین سوم ، مشخص کردن مجموعه ای از مسیرها () و اجازه دادن به وسیله نقلیه یک مسیر تصادفی از چنین توزیع است. برای جزئیات بیشتر ، به توزیع مسیر مراجعه کنید.

توزیع نوع وسیله نقلیه#

یک روش ساده برای مدل سازی ناوگان خودرو ناهمگن با تعریف A کار می کند و اجازه می دهد هر وسیله نقلیه نوع خود را به طور تصادفی از این توزیع انتخاب کند. برای جزئیات بیشتر ، به توزیع نوع وسیله نقلیه مراجعه کنید.

توزیع سرعت#

به طور پیش فرض ، وسایل نقلیه در SUMO حداکثر سرعت تعریف شده برای خطی را که در آن رانندگی می کنند ، پایبند هستند (اگر حداکثر نوع وسیله نقلیه آنها اجازه می دهد). این رفتار را می توان با استفاده از SpeedFacto r-Attribute اصلاح کرد که باعث می شود وسایل نقلیه با آن ضریب سرعت سرعت فعلی رانندگی کنند. این ویژگی همچنین به مشخصات پارامترهای توزیع عادی با برش های اختیاری اجازه می دهد. مقدار تصادفی یک بار برای هر وسیله نقلیه در زمان ایجاد آن انتخاب می شود. استفاده از یک انحراف سرعت ، روش توصیه شده برای بدست آوردن ترکیبی ناهمگن از سرعت خودرو است. به طور پیش فرض ، توزیع سرعت با انحراف استاندارد 10 ٪ فعال است. برای جزئیات بیشتر ، به توزیع سرعت مراجعه کنید

شق با اتومبیل#

مدل پیش فرض اتومبیل Krauss از رفتار رانندگی تصادفی از طریق VTyp e-Attribute Sigma (پیش فرض 0. 5) پشتیبانی می کند. هنگامی که این مقدار باشد ، درایورهای غیر صفر به طور تصادفی سرعت خود را بر اساس RNG که در بالا توضیح داده شد ، تغییر می دهند. سایر مدلهای پیروی از اتومبیل نیز از این ویژگی استفاده می کنند.

زمان عزیمت#

زمان عزیمت همه وسایل نقلیه ممکن است با استفاده از گزینه--random-depart-carts به طور تصادفی متغیر باشد. هنگامی که از این گزینه استفاده می شود ، هر وسیله نقلیه یک جبران تصادفی را به زمان عزیمت خود دریافت می کند ، در [0 ،] توزیع می شود.

جریان با تعداد تصادفی وسایل نقلیه#

ویژگی های زیر برای جریان های تصادفی برای Duarouter و Sumo اعمال می شود

توزیع دو جمله ای#

با تعیین A با ویژگی های پایان و احتمال (به جای Vehsperhour ، تعداد یا دوره) ، وسیله نقلیه به طور تصادفی با احتمال مشخص شده در هر ثانیه تا زمان رسیدن زمان پایان می یابد. تعداد وسایل نقلیه درج شده از این طریق به صورت دوتایی توزیع می شود. هنگام مدل سازی چنین جریان در یک جاده چند خطه ، توصیه می شود A را برای هر خط جداگانه تعریف کنید زیرا میزان درج حداکثر 1 وسیله نقلیه در ثانیه است.

جریان مؤثر ممکن است در طول مرحله پایین تر باشد زیرا خطای گسسته سازی کاهش می یابد (وسایل نقلیه معمولاً به دلیل محدودیت ایمنی و درج در هر ثانیه دیگر نمی توانند در ثانیه های بعدی وارد شوند.

برای احتمال کم توزیع وسایل نقلیه درج شده ، توزیع پواسون را تقریبی می کند

توزیع پواسون#

از آنجا که نسخه 1. 13. 0 جریان نیز می تواند با انتهای ویژگی و دوره = "exp (x)" تعریف شود که در آن x یک مقدار مثبت است. این باعث می شود شکاف زمانی بین درج وسایل نقلیه از توزیع نمایی با پارامتر نرخ x پیروی کند. به طور موثر ارزش مورد انتظار وسایل نقلیه X در ثانیه را وارد کنید. تعداد وسایل نقلیه درج شده از این طریق ، توزیع پواسون را دنبال می کند.

نرخ درج مؤثر با ظرفیت شبکه و سایر ویژگی های جریان مانند DepartSpeed و Departlane محدود است

جریان با تعداد ثابت وسایل نقلیه#

2 بخش زیر ویژگی های جریان های تصادفی را که در مورد Duarouter و SUMO اعمال می شود ، توصیف می کند. آنها کاملاً شبیه به جریانهای با تعداد تصادفی وسایل نقلیه هستند اما ویژگی شماره را برای ویژگی نهایی جایگزین می کنند.

فرآیند برنولی#

با مشخص کردن A با تعداد ویژگی ها و احتمال (به جای Vehsperhour ، تعداد یا دوره) ، یک وسیله نقلیه به طور تصادفی با احتمال مشخص شده در هر ثانیه تا رسیدن به شماره مشخص شده منتشر می شود.

روند پواسون#

با مشخص کردن A با شماره ویژگی ها و دوره = "Exp (x)" (به جای Vehsperhour ، تعداد یا دوره) ، وسایل نقلیه با شکاف های زمانی تصادفی که از توزیع نمایی پیروی می کنند تا رسیدن به شماره مشخص شده منتشر می شود.

گزینه های روتر#

برنامه های Duarouter ، DFROUTER و JTRROUTER از گزینه های گزینه-تصادفی پشتیبانی می کنند.

هنگامی که از این گزینه استفاده می شود ، به هر وسیله نقلیه تعریف شده توسط یک المان زمان عزیمت تصادفی داده می شود که در فاصله زمانی جریان توزیع می شود.(با استفاده از وسایل نقلیه پیش فرض از یک جریان به همان اندازه در زمان فاصله دارند). زمان عزیمت این روش نیز به یک فرایند پواسون دست می یابد

عزیمت و ویژگی های ورود#

و عناصر از مقدار "تصادفی" برای ویژگی های خود ، Departlane ، DepartPos ، DepartSpeed و ArrivalPos پشتیبانی می کنند. این مقدار به طور تصادفی در هر تلاش درج (برای ویژگی های عزیمت) یا هر زمان که نیاز به تجدید نظر در مورد ارزش ورود (یعنی بعد از استفاده مجدد) انتخاب شود ، انتخاب می شود. ویژگی Deptribute Departposlat همچنین از مقدار "تصادفی" پشتیبانی می کند. جبران جانبی در هنگام عزیمت فقط در هنگام استفاده از مدل Sublane بر رفتار شبیه سازی تأثیر می گذارد ، هرچند بدون این مدل نیز قابل مشاهده خواهد بود.

تنوع جانبی#

هنگام تنظیم ویژگی Lane Change Attribute LCSIGMA به مقدار مثبت ، وسایل نقلیه برخی از رانش جانبی تصادفی را نشان می دهند.

منابع بیشتر تصادفی#

• ابزار تصادفی trips. py امکان ایجاد ترافیک بین لبه های تصادفی را فراهم می کند. همچنین از نرخ ورود تصادفی پشتیبانی می کند. انتخاب تصادفی لبه های عزیمت و ورود برای هر سفر هنگام تفکیک ماتریس O/D هنگام انجام تقاضا/dynamic_user_assignment می تواند به طور تصادفی سریعترین مسیر را با تنظیم گزینه-وزن-وزن. -ندوم برای اطمینان از استفاده از مسیرهای جایگزین ایجاد کند.

قابلیت تولید مثل#

به طور کلی ، انتظار می رود تمام برنامه های کاربردی و ابزارهای SUMO هنگام اجرای همان نسخه به طور مکرر با همان آرگومان ها و ورودی ها ، نتایج مشابهی را به دست آورند. این همچنین شامل اجرای روی سیستم عامل های مختلف (ویندوز/لینوکس/مک) است.

برخی از موقعیت ها وجود دارد که می دانند این قانون را نقض کنند (یا با طراحی و یا به دلایل فنی) و در موارد زیر ذکر شده اند.

تکرارپذیری با طراحی#

گزین ه-تصادفی توسط بسیاری از برنامه ها (SUMO ، Duarouter ،.) و ابزارها (RandomTrips. py ،.) پشتیبانی می شود. این دانه تصادفی را تصادفی می کند و از این طریق هر یک از رفتارهای تصادفی متفاوت را ارائه می دهد.

به دلایل دیگر تکرارپذیری را نقض کرد#

تفاوت های زیر یا به دلیل اشکالات یا مشکلات دشوار در کتابخانه های مورد استفاده SUMO است.