如何从PDF/PMF生成随机变量及停车场到达时间模拟问询

1. numpy是否适合？ #

完全合适。numpy提供了丰富的随机分布生成函数，足够支撑停车场到达时间的模拟需求，配合scipy还能处理更复杂的分布场景。

2. 为什么Poisson分布结果过于集中？ #

Poisson分布的核心特性是方差等于均值，当你设置lam=35999时，方差也是35999，标准差仅约189，因此生成的数值必然集中在均值35999附近，无法满足你需要高方差的场景。

3. 推荐的替代分布及实现 #

（1）截断正态分布（单峰高方差） #

如果希望保留10:00附近的峰值，同时增大数据分散度，可以使用正态分布，再将结果截断在0-86399的时间范围内。通过调整标准差控制方差大小：

import numpy as np

def generate_arrival_times():
    # 随机生成当日车辆数
    num_cars = np.random.randint(3, 20)
    # 均值设为10:00对应的秒数
    mean_time = 35999
    # 调整标准差控制方差，值越大数据越分散
    std_dev = 15000
    
    # 生成正态分布随机数，截断到合法时间范围后转为整数
    arrival_times = np.random.normal(loc=mean_time, scale=std_dev, size=num_cars)
    arrival_times = np.clip(arrival_times, 0, 86399).astype(int)
    
    return arrival_times.reshape(-1, 1)

# 测试生成4组数据
for _ in range(4):
    print(generate_arrival_times())

（2）混合分布（多峰值场景） #

如果需要模拟早晚高峰这类多峰值的真实停车场景，可以手动实现混合分布：定义多个峰值（如早高峰7:00、午间10:00、晚高峰17:00），按权重随机分配车辆到不同峰值的分布中：

import numpy as np

def generate_mixed_arrival_times():
    num_cars = np.random.randint(3, 20)
    # 定义三个峰值对应的秒数：7:00、10:00、17:00
    peak_times = [25200, 35999, 61200]
    # 每个峰值对应的标准差，控制该峰的分散度
    peak_std = [5000, 8000, 6000]
    # 每个峰值的权重，调整占比模拟真实流量
    peak_weights = [0.35, 0.3, 0.35]
    
    # 随机为每辆车分配所属峰值
    peak_choices = np.random.choice(len(peak_times), size=num_cars, p=peak_weights)
    
    arrival_times = []
    for choice in peak_choices:
        t = np.random.normal(loc=peak_times[choice], scale=peak_std[choice])
        # 截断到合法时间范围
        arrival_times.append(np.clip(t, 0, 86399))
    
    return np.array(arrival_times).astype(int).reshape(-1, 1)

# 测试生成4组数据
for _ in range(4):
    print(generate_mixed_arrival_times())

4. 复合/混合Poisson变量的实现 #

Python（结合numpy和scipy）完全支持生成复合或混合Poisson变量：

• 混合Poisson：可以像上面的混合分布示例一样，先随机选择Poisson分布的参数（如不同的lam值），再生成对应数值；
• 复合Poisson：通常指Poisson计数过程加上其他分布的增量，比如在基础Poisson结果上叠加噪声，或者用Poisson生成事件数，再为每个事件生成对应数值：

from scipy.stats import poisson, norm
import numpy as np

def compound_poisson_arrival():
    num_cars = np.random.randint(3, 20)
    # 基础Poisson分布生成核心时间
    base_times = poisson.rvs(mu=35999, size=num_cars)
    # 叠加正态噪声增大方差
    noise = norm.rvs(loc=0, scale=10000, size=num_cars)
    arrival_times = base_times + noise
    
    return np.clip(arrival_times, 0, 86399).astype(int).reshape(-1, 1)

内容的提问来源于stack exchange，提问作者Luis Enriquez-Contreras