第四节：随机交通流生成——泊松过程与随机种子的秘密

做交通仿真这么多年，我踩过最大的坑是什么？

说出来你可能不信——是「随机」。有一次我跑了一整夜的仿真，早上兴冲冲去看结果，发现跟昨天跑出来的数据差了30%。我当时就懵了，明明参数一模一样啊！后来才反应过来，是随机种子没固定。

嗯，这节课我们就来聊聊这个事。

4.1 为什么用泊松过程？

先问个问题：真实道路上的车流，到底是怎么来的？

你站在路边观察，会发现车辆到达的时间间隔是不固定的。有时候连续来三辆车，有时候等一分钟都没车。这种「随机到达」的特性，用数学语言描述就是——泊松过程。

泊松过程的核心假设其实很简单：

• 任意两个不相交的时间段内，车辆到达数量相互独立
• 在足够小的时间段内，最多只有一辆车到达
• 车辆到达的平均速率是恒定的（比如每小时600辆）

说白了，就是「车来的概率只跟时间长度有关，跟具体几点没关系」。我当年在做一个城市主干道仿真时，实测数据跟泊松模型拟合得特别好，误差不到5%。当然，如果是信号灯路口附近，这个假设就要打折扣了——红灯一拦，车都堵成一团，哪来的随机性？

4.2 代码实现：生成泊松车流

我个人习惯用「逆变换法」来生成泊松到达时间。思路很简单：

1. 生成一个 [0,1] 均匀分布的随机数 u
2. 计算车头时距：Δt = -ln(1-u) / λ
3. 累加时间戳，就得到了每辆车的到达时刻

看代码：

import numpy as np

def generate_poisson_traffic(lambda_rate, duration, seed=42):
    """
    生成泊松交通流
    :param lambda_rate: 平均到达率（辆/秒）
    :param duration: 仿真时长（秒）
    :param seed: 随机种子
    :return: 车辆到达时间列表
    """
    np.random.seed(seed)
    
    arrival_times = []
    current_time = 0.0
    
    while current_time < duration:
        # 生成车头时距
        u = np.random.random()
        headway = -np.log(1 - u) / lambda_rate
        current_time += headway
        
        if current_time < duration:
            arrival_times.append(current_time)
    
    return arrival_times

# 示例：平均每小时600辆车，仿真1小时
lambda_rate = 600 / 3600  # 0.167 辆/秒
cars = generate_poisson_traffic(lambda_rate, 3600, seed=123)
print(f"生成了 {len(cars)} 辆车")
print(f"前5辆车到达时刻：{cars[:5]}")

运行一下，你会发现每次生成的车辆数都在600辆左右浮动。这就是泊松过程的特性——均值稳定，但每次具体数值不一样。

4.3 随机种子：那个让我熬夜的罪魁祸首

回到开头那个故事。为什么同样的参数，两次仿真结果差那么多？

因为我没有设置随机种子。计算机生成的随机数其实是「伪随机」的——它有一个初始值，叫种子。种子固定了，随机数序列就固定了。种子变了，整个车流就变了。

来看看不同种子对结果的影响：

随机种子	生成车辆数	平均车头时距（秒）	最大车头时距（秒）
42	612	5.88	28.3
123	587	6.13	31.7
999	605	5.95	26.9
2024	593	6.07	33.2

看到了吗？同样是600辆/小时的流量，不同种子下车辆数在587到612之间波动。最大车头时距甚至能差到6秒多。这在仿真里意味着什么？

意味着你可能因为随机种子选得好，得出「这个信号配时方案很棒」的结论；换个种子，结论就变成「这个方案不行」。我曾经就吃过这个亏，被评审专家一句话怼回来：「你跑了多少次仿真？统计显著性检验做了吗？」

4.4 泊松过程的知识体系

下面这张图，是我梳理的泊松交通流生成的核心逻辑。你一看就明白了：

4.5 避坑指南：我踩过的那些坑

最后分享几个实战经验，都是真金白银换来的：

• 不要用默认种子——很多编程语言的随机数生成器默认种子是系统时间。这意味着你每次运行结果都不一样。我曾经在给客户演示时，第一次跑效果完美，第二次跑直接崩了，场面一度非常尴尬。
• 多线程仿真要小心——如果你用多线程并行跑仿真，每个线程的随机种子要独立设置。否则两个线程可能生成一模一样的车流，那你的「并行」就白费了。
• 记录种子到日志——我现在的习惯是，每次仿真开始前，把随机种子、参数、版本号全部写入日志文件。这样出了问题，随时可以回放。
• 泊松过程不是万能的——在高速公路自由流段，泊松模型很好用。但在城市道路、信号灯影响区域、或者拥堵状态下，车辆到达就不再是随机的了。这时候需要用更复杂的模型，比如马尔可夫调制泊松过程（MMPP）。

嗯，关于随机交通流生成，核心就是这些。记住一句话：随机不是随意，种子决定一切。下次做仿真，别忘了先设个种子。

可可精品资料库