第4章：随机交通流生成
各位好，我是老张。今天咱们聊聊随机交通流生成。说实话，这是仿真里最基础也最容易出问题的一环。我见过太多人把车流生成想得太简单，结果仿真跑起来才发现——嗯，跟实际路况差了十万八千里。
4.1 为什么需要随机交通流？
你想想看，真实道路上的车流是随机的吗？当然不是完全随机，但也不是完全规律的。早高峰的车流密集，但每辆车之间的间隔其实服从某种概率分布。我在做北京四环的仿真项目时，一开始用了固定间隔发车，结果仿真出来的拥堵模式跟实际完全对不上。
后来我改用泊松分布生成车流，效果立马不一样了。说白了，随机性才是真实交通的灵魂。
核心观点：随机交通流不是瞎随机，而是遵循特定统计规律的随机。泊松分布是描述车辆到达时间间隔最经典的模型。
4.2 泊松分布到达模型
泊松分布描述的是单位时间内事件发生的次数。在交通流里，就是单位时间内到达的车辆数。它的数学表达式很简单：
P(k) = (λ^k * e^(-λ)) / k!其中λ是平均到达率，比如每分钟10辆车。k是实际到达的车辆数。
我习惯用Python的numpy库来实现。这里有个小坑——很多人直接用random.poisson，但要注意参数设置。
import numpy as np
import matplotlib.pyplot as plt
# 设置平均到达率（辆/分钟）
lambda_rate = 10
# 生成60分钟的车流量
traffic_flow = np.random.poisson(lambda_rate, 60)
print("每分钟到达车辆数：", traffic_flow[:10])
print("平均到达率：", np.mean(traffic_flow))跑一下这段代码，你会发现每分钟的车辆数在10附近波动，但不会每次都正好是10。这就是随机性的魅力。
我的经验：λ值要根据实际路况来调。我曾经在项目中直接用默认参数，结果仿真出来的流量跟实际差了30%。后来我花了三天时间采集数据，才把λ校准到合理范围。
4.3 车辆类型随机化
光有到达时间还不够。路上的车有轿车、SUV、货车、公交车……每种车的尺寸、加速度、最大速度都不一样。我建议用概率分布来分配车辆类型。
举个例子，城市道路的车辆组成大概是：
| 车辆类型 | 占比 | 典型长度(m) | 最大速度(km/h) |
|---|---|---|---|
| 轿车 | 60% | 4.5 | 120 |
| SUV | 20% | 4.8 | 110 |
| 货车 | 15% | 6.0 | 80 |
| 公交车 | 5% | 12.0 | 60 |
用Python实现很简单：
import random
vehicle_types = ['car', 'suv', 'truck', 'bus']
probabilities = [0.6, 0.2, 0.15, 0.05]
def generate_vehicle():
return random.choices(vehicle_types, weights=probabilities, k=1)[0]
# 生成100辆车
fleet = [generate_vehicle() for _ in range(100)]
print("车辆类型分布：", {t: fleet.count(t) for t in vehicle_types})注意：概率之和必须为1。我曾经手滑写成了0.6+0.2+0.15+0.04，结果程序跑起来总有一辆车类型是None。排查了半天才发现是概率没归一化。
4.4 速度随机化
速度随机化更有意思。每辆车的期望速度不同，而且实际行驶速度还会受前车影响。这里我讲的是自由流状态下的期望速度生成。
我一般用正态分布来模拟速度分布。为什么？因为实际观测数据表明，自由流速度近似服从正态分布。
import numpy as np
# 轿车速度分布：均值100km/h，标准差15km/h
car_speed = np.random.normal(100, 15, 1000)
# 限制速度范围
car_speed = np.clip(car_speed, 60, 130)
print("轿车速度统计：")
print(f" 均值：{np.mean(car_speed):.1f} km/h")
print(f" 标准差：{np.std(car_speed):.1f} km/h")
print(f" 范围：{np.min(car_speed):.1f} - {np.max(car_speed):.1f} km/h")不同车型的速度分布参数不同。我整理了一个参考表：
| 车型 | 均值(km/h) | 标准差(km/h) | 最小速度(km/h) | 最大速度(km/h) |
|---|---|---|---|---|
| 轿车 | 100 | 15 | 60 | 130 |
| SUV | 95 | 12 | 50 | 120 |
| 货车 | 75 | 10 | 40 | 90 |
| 公交车 | 55 | 8 | 30 | 70 |
4.5 完整代码示例
把上面这些整合起来，就是一个完整的随机交通流生成器：
import numpy as np
import random
class RandomTrafficGenerator:
def __init__(self, lambda_rate=10):
self.lambda_rate = lambda_rate
self.vehicle_types = ['car', 'suv', 'truck', 'bus']
self.type_probs = [0.6, 0.2, 0.15, 0.05]
# 各车型速度参数
self.speed_params = {
'car': {'mean': 100, 'std': 15, 'min': 60, 'max': 130},
'suv': {'mean': 95, 'std': 12, 'min': 50, 'max': 120},
'truck':{'mean': 75, 'std': 10, 'min': 40, 'max': 90},
'bus': {'mean': 55, 'std': 8, 'min': 30, 'max': 70}
}
def generate_traffic(self, duration_minutes=60):
"""生成指定时长的交通流"""
# 生成每分钟到达车辆数
arrivals = np.random.poisson(self.lambda_rate, duration_minutes)
traffic = []
for minute, count in enumerate(arrivals):
for _ in range(count):
# 随机选择车型
vtype = random.choices(
self.vehicle_types,
weights=self.type_probs,
k=1
)[0]
# 随机生成速度
params = self.speed_params[vtype]
speed = np.random.normal(params['mean'], params['std'])
speed = np.clip(speed, params['min'], params['max'])
traffic.append({
'arrival_minute': minute,
'type': vtype,
'speed': speed
})
return traffic
# 使用示例
gen = RandomTrafficGenerator(lambda_rate=8)
traffic = gen.generate_traffic(30)
print(f"生成了 {len(traffic)} 辆车")
print("前5辆车信息：")
for v in traffic[:5]:
print(f" 第{v['arrival_minute']}分钟 - {v['type']} - {v['speed']:.1f}km/h")避坑指南：我曾经在生成大量车辆时直接用循环，结果30分钟仿真跑了5分钟。后来改用向量化操作，速度提升了100倍。记住，能用numpy就别用纯Python循环。
4.6 知识体系总览
下面这张图总结了本章的核心逻辑：
这张图把整个流程串起来了。从输入参数开始，经过三个核心模块的处理，最终输出完整的随机交通流数据。每个模块之间是串联关系，但参数可以独立调整。
好了，这一章的内容就到这里。随机交通流生成看似简单，但要做好其实需要不少细节把控。下一章咱们聊聊如何把这些随机生成的车辆放到路网里，让它们真正跑起来。