AnyLogic中基于队列长度分布的模型标定
Model Calibration based on Queue Length Distribution in AnyLogic
我遇到过一个相当复杂的场景。我有以下实际数据：
- 队列长度分布
- 队列等待时间分布
- 每天到达的代理人数分布（但不是他们全天到达的模式）
这个过程可以假设为一个简单的“source > queue > delay > sink”
有没有办法找到到达率和延迟时间分布来匹配可用的实际数据？我知道从数学上讲，这样的问题可能有很多解决方案。但是有没有办法在 AnyLogic 中解决这种情况？
我设法满足平均队列长度和平均等待时间，但作为分布，队列长度和队列等待时间与实际数据集不接近。
这是一个参数校准问题，其中您的参数是一天中每个小时左右的泊松到达率的 lambda，以及等待时间（延迟）的三角分布参数。
到达率总是泊松分布，因此无需对此进行辩论。
当你开发模型时，当你不知道你的分布是什么或者你没有数据时，你总是使用三角分布。
通过参数校准，您希望将数据与模型之间的误差降至最低。您想要最小化的函数取决于您的数据分布。
要了解数据的分布情况，您可以使用分布拟合技术，例如 cullen 和 frey 图...但您似乎已经有了分布
我遇到过一个相当复杂的场景。我有以下实际数据：
- 队列长度分布
- 队列等待时间分布
- 每天到达的代理人数分布（但不是他们全天到达的模式）
这个过程可以假设为一个简单的“source > queue > delay > sink”
有没有办法找到到达率和延迟时间分布来匹配可用的实际数据？我知道从数学上讲，这样的问题可能有很多解决方案。但是有没有办法在 AnyLogic 中解决这种情况？
我设法满足平均队列长度和平均等待时间，但作为分布，队列长度和队列等待时间与实际数据集不接近。
这是一个参数校准问题，其中您的参数是一天中每个小时左右的泊松到达率的 lambda，以及等待时间（延迟）的三角分布参数。
到达率总是泊松分布，因此无需对此进行辩论。 当你开发模型时，当你不知道你的分布是什么或者你没有数据时，你总是使用三角分布。
通过参数校准，您希望将数据与模型之间的误差降至最低。您想要最小化的函数取决于您的数据分布。
要了解数据的分布情况，您可以使用分布拟合技术，例如 cullen 和 frey 图...但您似乎已经有了分布