Simulace přestupu stanice metra Můstek

Mezi nejrušnější stanice pražského metra patří stanice Můstek, dle statistiky [TODO: citace]. Tato stanice je navíc přestupní z linky A na linku B a i pro mnohé Pražáky může díky své komplexitě působit jako labyrint. Proto mnohdy, když spěcháte na Můstku v nejrušnější hodiny na navazující spoj, je klíčové zvolit si správnou trasu přestupu.

Definice problému

Cílem této simulace je zjistit, která trasa je při přestupu z linky A na linku B a naopak nejlepší v období nejrušnějších hodin. Zprvu může tento problém působit jako problém nalezení nejkratší cesty, v takovém případě bychom ale neuvažovali vytíženost metra, tedy počet lidí, kteří se metrem pohybují.

Metoda

Simulace byla provedena v prostředí NetLogo. Byl vytvořen model stanice metra a cestujících, kteří přestupují z linky A na linku B. Simulace pro zjednodušení nezohledňuje pohyb lidí, kteří do metra vstupují nebo z něj vystupují. Nezohledňuje také nelogické cesty, tedy takové cesty, které nevedou k přestupu z jedné linky na druhou případně jsou neoptimální.

Simulace byla provedena ve dvou nejrušnějších hodinách pracovního dne.

Model

Data

Nejvytíženější hodiny

Pro získání statistiky o zátěži metra bylo využito statistiky [TODO: citace] z roku 2015. Ze statistiky jasně vyplývá, že nejrušnější hodiny v pracovním dni jsou 7-8 a 17-18. Je potřeba podotknout, že časy v okolí těchto hodin jsou z pohledu vytíženosti dosti podobné. Tyto dva časy jsem zvolil, protože se v nich nachází špička vytížení. Data o časování příjezdu metra byla pak převzata z jízdních řádů PID [TODO: citace].

Počet cestujících

Dalším údajem, který bylo potřeba získat, je počet lidí, kteří přijíždějí a přestupují z linky A na linku B a naopak. K tomu jsem opět využil statistiky, tentokrát o přestupech metra [TODO: citace] z roku 2015.

Pro každou linku a čas příjezdu je potřeba získat údaj o počtu cestujících, kteří ze soupravy metra vystoupí. Nabízí se jednoduché řešení: generovat počet cestujících pomocí normálního rozdělení. Tato metoda je vhodná, protože mnoho přírodních a lidských jevů, včetně pohybu cestujících, se přibližně řídí normálním rozdělením. Navíc, díky Centrální limitní větě, i když jednotlivé příjezdy nejsou normálně rozdělené, jejich součet za určité období se normálnímu rozdělení přibližuje.

Ze statistik si tedy zjistíme, že:

• Linka A mezi 7-8 má: XXXX přestupů průměrně (data: )
• Linka B mezi 7-8 má: XXXX přestupů průměrně (data: )
• Linka A mezi 17-18 má: XXXX přestupů průměrně (data: )
• Linka B mezi 17-18 má: XXXX přestupů průměrně (data: )

Z jízdních řádů plyne:

• Linka A mezi 7-8 má: YYYY příjezdů metra (data: )
• Linka B mezi 7-8 má: YYYY příjezdů metra (data: )
• Linka A mezi 17-18 má: YYYY příjezdů metra (data: )
• Linka B mezi 17-18 má: YYYY příjezdů metra (data: )

Označme si T jako hodnotu přestupů průměrně pro linku a čas a A jako hodnotu příjezdu metra pro linku a čas.

Průměrně tedy přijede A/T cestujících jednou soupravou. Na základě historických dat, si dopočítáme směrodatnou odchylku počtu přestupů pro každou linku a čas. Označme si tuto hodnotu jako R.

S pomocí těchto A/T a R jsme schopni vypočítat a náhodnou hodnotu vzniklého normálního rozdělení.