城巴 793 及 795X 下週一 (13/01) 起加強服務
[複製鏈接]
|
本帖最後由 castanopsis 於 2025-1-30 08:02 編輯
英文點理解係一回事
你話我英文屎都好，希望你暫且跟返我個思路先
總之我想表達既係，下面呢兩個concept係有分別
1. The process is random
2. The process carries some randomness
即係，如果開車時間有兩分鐘出入，係有randomness，但唔可以話random
後者先可以用poisson去model
你可以話randomness/random字面上睇落好似
我亦歡迎你搵第二個更合適既term去形容
但我希望你明白，宜家有兩個截然不同既概念
再退一步
宜家最準既model係 x/2 + 一至兩分鐘
既然反映現實情況，點解堅持要用poisson？
條式其實咪驗證咗 0.8 * x/2 + 0.2 * x = 0.6x 的確係接近 x/2 多啲架
你聲稱，等車時間係——
[準時率]*x/2 + [脫班率]*x
呢條formula計錯數
因為一架開20分鐘一班既巴士
就算全部車都有兩分鐘誤差，準時率係0
個等車時間都係接近x/2多過x
唔信可以喺python/R寫code去simulate
簡單而言，脫班唔代表poisson，要脫到全裸，啲車即捕即解，先會變poisson
呢個亦係點解要睇埋延誤幾耐
5分鐘內個啲，老實講真係對平均等車時間影響好細
唔知依家中學教啲咩
香港黎講甚至唔信有教 distribution
香港中學你take M1既話，有教：
https://afterschool.com.hk/dse-course/m1/M10022-dse-m1%E5%B8%B8%E8%A6%8F%E8%AA%B2%E7%A8%8B-Poisson-Distribution/
呢堆應該全部都係用 poisson distribution 去計唔係 exponential distribution 喎
以我理解
Poisson講緊一個時間段入面，有n個event既機會率
Exponential講緊 waiting time/interval between events既機會率
看似講緊兩樣嘢，但其實係同一個process
上面接線生個例子
一分鐘內有幾多個call，係poisson distribution
Call與call之間時間間距，就會係exponential distribution
兩個distribution，係會同時出現，因為根本係同一個過程、同樣assumption
反之，如果一分鐘內有幾多個call，唔係跟Poisson，call與call之間間距，就唔會係exponential
1. 講緊係咪 follow exp. dist, 唔好直接跳幾個結論落去 expected waiting time
2. 佢結論都講到 40 分班嘅時段 (aka 深夜) 因為有 schedule 其實就會趨向 norm. dist，而圖表上明顯有個 spike 你直接目測都大概可以知道，如果排除呢堆深夜數據，個結果反而會更加接近係 follow exp. dist (因為無咗 follow norm. dist 果部分)
至於對 expected waiting time 有無影響? 有，上面講咗好多次 right tail 問題
hmm....好似未get到個問題所在
用返上面既perfect case去講
如果一架巴士，清晨60，繁時逐漸加密落5，非繁20/30，下繁加密落10，夜繽紛30/60
啲班次間距，會係類似咁——
時段 班次x次數 間距
0500-0600 60 x 1 (60,60)
0600-0700 15 x 4 (15,15,15,15)
0700-0900 5 x 24 (05,05,05,05,05,05,05,05,05,05,05,05,05,05,05,05,05,05,05,05,05,05,05,05)
0900-1000 12 x 5 (12,12,12,12,12,12)
1000-1300 20 x 9 (20,20,20,20,20,20,20,20,20）
1300-1500 30 x 4 (30,30,30,30）
1500-1600 15 x 4 (15,15,15,15）
1600-1800 10 x 12 (10,10,10,10,10,10,10,10,10,10,10,10)
1800-1900 15 x 4 （15,15,15,15)
1900-2000 30 x 2 (30,30)
2000-0000 60 x 4 （60,60,60,60）
0000-0500 無車 （300)
埋單——
5分鐘間距 x24
10-12分鐘間距 x17
15分鐘間距 x12
20分鐘間距 x9
30分鐘間距 x6
60分鐘間距 x5
>60分鐘間距 x1
計曬全日，5-300分鐘一班
睇落好"random"，仲要個班次distribution好似exponential
但事實係，每一個時段，都係準時開車，等車時間x/2
|
|
|
|
|
|
|
|
|
本帖最後由 KE7066 於 2025-1-30 09:09 編輯
宜家最準既model係 x/2 + 一至兩分鐘
既然反映現實情況，點解堅持要用poisson？
點解要各執一詞先？拋個睇法出黎，但你就好堅持一定係 x/2 + c
問題純粹係大家點 model 個 randomness 部分
而你就用字飄忽，一時「x/2」、一時「極度接近 x/2」、一時「x/2 + 一至兩分鐘」
三個版本根本表達緊唔一樣嘅嘢
但不論「x/2+c」定「[準時率]*x/2 + [班次延誤率]*x」都係一種「趨向 x/2」嘅情況
你聲稱，等車時間係—— [準時率]*x/2 + [脫班率]*x
假設「脫班率」指緊「班次延誤率」
唔係我聲稱，呢個係假設，係一個 model，即係 approximation
而我強調呢個係有限資料底下最簡化可以 theoretically model 嘅嘢
呢條formula計錯數 因為一架開20分鐘一班既巴士
就算全部車都有兩分鐘誤差，準時率係0
個等車時間都係接近x/2多過x
poisson process 唔等於唔會出現你所描述嘅情況
只係機率極微
現實亦唔見得有任何必要出現呢個情況
而係班次延誤發生情況下，假設開出時間係 random 去 model 唔見得有問題
甚至如果所有班次固定延誤 2 分鐘，結果必然係 x/2
唔係接近 x/2
以我理解 Poisson講緊一個時間段入面，有n個event既機會率
Exponential講緊 waiting time/interval between events既機會率
看似講緊兩樣嘢，但其實係同一個process
上面接線生個例子 一分鐘內有幾多個call，係poisson distribution
Call與call之間時間間距，就會係exponential distribution
兩個distribution，係會同時出現，因為根本係同一個過程、同樣assumption 反之，如果一分鐘內有幾多個call，唔係跟Poisson，call與call之間間距，就唔會係exponential
你自己都講咗你自己嘅問題係邊
你例子求緊固定時間內發生多過 X 個 call 嘅機率，咁係 poisson distribution，唔係 exponential distribution
poisson process 固然同樣可以求得你提出嘅例子，而又牽涉到 poisson & exp dist.
但明顯你成個解釋過度複雜咗件事，用錯曬例子去解釋 exponential distribution 呢樣嘢，撈亂曬 Poisson distribution, exponential distribution 同 poisson process
原來得 M1 有 poisson distribution, 兼無教 exponential distribution
咁難怪有種迴力鏢嘅感覺
https://www.edb.gov.hk/attachment/en/curriculum-development/kla/ma/res/m1_notes_e.pdf
我都唔 get 你想指出啲咩
known varying rate 咪每個 rate 獨立 follow 一個 process
咁每個時段咪有一個自己嘅 E(X)
從而按返個 rate 發生嘅機率計返你指定嘅時段內嘅 E(X)
例如例子入面嘅 0600-0900, E(X) = 1/3 * 15/2 + 2/3 * 5/2
文中例子明顯可視及有提及嘅係深夜 40 分班
但明顯可見 40 分班個情況有個 spike
你話呢點係 fatal error 但人地有提及到呢個問題同埋提供一個 observation
|
|
|
|
|
|
|
|
|
本帖最後由 castanopsis 於 2025-1-30 09:31 編輯
各執一詞個原因
係因為上面多次撈亂咗
1. "有幾分鐘誤差"造成randomness
2. 個process係random
兩個概念
你重覆咗好多次，話因為有randomness，所以poisson就apply
但poisson個assumption係要random
只係一兩分鐘誤差少少randomness，唔符合個assumption
至於你話我用字唔準確，或者再澄清返
我既立場係，平均等車時間好接近x/2
一般香港路面情況，大約係x/2+一至兩分鐘
無時間再去爬文check，係咪每一次x/2都加咗"接近"兩隻字落去
但anyway，以此為鑑，如果唔知邊個帖漏咗"接近”兩隻字落去，造成混亂既，當我錯
假設「脫班率」指緊「班次延誤率」 唔係我聲稱，呢個係假設，係一個 model，即係 approximation
而我強調呢個係有限資料底下最簡化可以 theoretically model 嘅嘢
[準時率]*x/2 + [班次延誤率]*x
拋呢條formula出來研究，可以
問題係，如果formula準確度都未討論，就塞運輸署啲數落去，然後conclude話唔接近x/2
似乎略欠嚴謹
想準確地計埋延誤造成既誤差（i.e. x/2+c個c），唔係問題
但既然重要既，係延誤既程度，咁延誤既程度就要擺埋落去做variable
如果延誤5秒，都照假設等車時間係x ，得出來既結論，會偏離事實好遠
而係班次延誤發生情況下，假設開出時間係 random 去 model 唔見得有問題
甚至如果全部固定延誤 2 分鐘，結果必然係 x/2 唔係接近 x/2
可能用 “誤差” 會準確少少
意思係就算班班車都plus or minus 0-2 minutes
呢啲case，"準時率”等於零，等車時間都會係接近x/2，但你條fomula就得出x
上面表達緊既係
生活上確實好多嘢係poisson/exponential，只係巴士開車時間唔係
究竟個命題係 求發生次數（Poisson） 定 求間距（Exponential），唔太重要
如果你覺得有問題既，將上面啲例子轉曬做 求間距 就得
反正個process都係同一個process
我承認我啲數都拋低咗好耐
但曾經係學過同明過
我都唔 get 你想指出啲咩
known varying rate 咪每個 rate 獨立 follow 一個 poisson process
咁每個時段咪有一個自己嘅 E(X)
從而按返個 rate 發生嘅機率計返你指定嘅時段內嘅 E(X)
例如例子入面嘅 0600-0900, E(X) = 1/3 * 15/2 + 2/3 * 5/2
Medium篇文
將全日所有班次間距擺落去一張graph度
然後話張graph好似exponential distribution，落結論，話除咗個別例子之外，巴士班次係memoryless
呢個推論好有問題
因為就算每一個時段內都唔memoryless，甚至完全準時開車
你掟曬所有班次落一張graph度，就會出現近似exponential distribution既形狀
唔可以憑呢張graph，證明巴士開車係memoryless
|
評分
-
查看全部評分
|
|
|
|
|
|
|
|
印象中維景灣畔開始入伙時係有一段短時間只可以靠澳景路出入（唔單止係車，人都係要搭穿梭巴士）
你可以當佢係舊有道路改出黎既一條臨時路
同埋睇返果時樓市，可以早幾個月開賣，樓價果度可能賺到幾個%，對發展商黎講肯定有著數
|
|
|
|
|
|
|
|
|
本帖最後由 KE7066 於 2025-1-30 15:08 編輯
你重覆咗好多次，話因為有randomness，所以poisson就apply 但poisson個assumption係要random 只係一兩分鐘誤差少少randomness，唔符合個assumption
呢個咪 1999 問題
randomness 個辭意 imply 咗係 random
咁唔存在「唔符合個 assumption」
無解釋到點解 poisson 唔 apply (或唔應該 apply)
所以特登 in depth lookup 咗
我理解應該係因為唔係 stationary independent increment
假設個 randomness 係 follow 一個 normal distribution centered at t=c (總站開車時間)
咁班次間距就唔係 follow 一個 poisson process
呢個情況就係佢係 random 但唔係 poisson process
Remarks: 其實替換咩 distribution 都得，總之係圍繞開車時間，唔係 uniform distribution 就完
問題係，如果formula準確度都未討論，就塞運輸署啲數落去，然後conclude話唔接近x/2
似乎略欠嚴謹
1. 你自己 conclude 的, 唔係我
2. all models are wrong, 所以準確度可以話 =0；而且對 poisson process 係咪成立各執一詞咗咁耐，何來無討論
3. 拋磚引玉，有更佳做法歡迎提出，但唔係一味 bam 走其他 model
例如假設佢延誤係 Y~Exp(rate)
基於 Y<=5 大概係 80% 推測個 rate=1/3 -> E(Y)=3
咁平均延誤情況約 80% *0 + 20% *3 = 0.6
繼而總站的平均候車時間大約等於 X/2 + 0.6
|
評分
-
查看全部評分
|
|
|
|
|
|
|
|
本帖最後由 castanopsis 於 2025-2-4 08:06 編輯
//首先，呀kay版友
你真係怨婦式對人不對事既極致
好懷疑你知唔知討論緊乜嘢//
返返正題
其實我唔理你叫randomness定random
只係想分清楚 “跟時間表，但差兩三分鐘/有一個error term” 同 “隨機咁來” 兩樣嘢
Poisson process個前設，係後者
你後面個解讀係正確
巴士班次係跟住時間表，然後有誤差（你口中既"random"，我口中既"randomness"）
但唔係Poisson process
1. 你自己 conclude 的, 唔係我
2. all models are wrong, 所以準確度可以話 =0；而且對 poisson process 係咪成立各執一詞咗咁耐，何來無討論
3. 拋磚引玉，有更佳做法歡迎提出，但唔係一味 bam 走其他 model 例如假設佢延誤係 Y~Exp(rate) 基於 Y<=5 大概係 80% 推測個 rate=1/3 -> E(Y)=3 咁平均延誤情況約 80% *0 + 20% *3 = 0.6 繼而總站的平均候車時間大約等於 X/2 + 0.6
1.
無話係你conclude，純粹係話唔可以咁conclude
2.
現實數據顯示，Poisson process喺巴士班次身上唔成立
否則將轉啲數字，同blog post啲數字，計出來就唔會係 x/2+一兩分鐘
所以某程度上可以摒棄Poisson呢樣嘢，純粹係睇下需唔需要精準地model埋 “一兩分鐘" 個part
3.
唔太清楚error time（即係偏離預計到站時間幾多）係咪follow exponential distribution
如果係，可能可以用類似既approach，計埋啲誤差
但呢度就開始有啲複雜
Anyway，討論到呢到，其實都差唔多啦
大嘢要講既都講曬，大家叫做袋到知識走
回埋呢次唔覆啦，happy to call it a day |
|
|
|
|
|
|
|
|
其實我都唔明拗計數方法做咩
795X 假日 20 分鐘一班東行都坐到 70% 過紅磡返將軍澳
同位置西行一半都無
閒日30 分鐘西行廿個左右
自己諗下到底係週末好客定係 20/30 分鐘一班問題
|
|
|
.
|
|
|
|
|
|
本帖最後由 KE7066 於 2025-2-5 23:07 編輯
返返正題
其實我唔理你叫randomness定random
只係想分清楚 “跟時間表，但差兩三分鐘/有一個error term” 同 “隨機咁來” 兩樣嘢
咩叫唔理？要指出人地個假設有問題，但原來你從來無辦法表達到，咁有咩意思？
發脾氣之前不如反思下自己有咩問題先，唔係下下自我中心咁去討論
人地不論有無足夠知識理解數學上嘅討論都好，佢句雞同鴨講無錯架
我都好明確表達無法理解閣下呢個 "randomness" but not "random" 語意上已經有矛盾嘅邏輯，呢個相信常人都唔難理解
甚至成個討論極限都只係總站達到 somewhat consensus
我自問一路都有指出現實係有一種「時間表」機制，但唔見得咁樣代表「隨機咁黎」個 assumption (assumption, not reality) 唔合理
我亦唔知你所講嘅「跟時間表，但差兩三分鐘/有一個error term」到底係咩意思，到底係假設有一個指定時間點係一定有車，定係會係一個時間範圍內隨機出現？後者已經係「隨機咁黎」嘅一種啦；又，有辦法精準估計咁 ETA 唔洗日日無辜受罪比人插刀鬧唔準
1. 無話係你conclude，純粹係話唔可以咁conclude
唔係你，又唔係我，即係無人 conclude，咁何來問題？
|
|
|
|
|
|
|
|
|
本帖最後由 ccchhhuuunnn 於 2025-2-6 07:29 編輯
（搭嗲）
一個精闢見解 一個雞同鴨講但咬返人轉頭
唔睇內容都feel到圍爐BBQ浸徐
可以片咁多版博士論文，唔睇內容都知係雞同鴨講
唔好自動對號入座係負面嘢先啦
一個咁準確嘅客觀描述都可以無啦啦咬返人
真係完美親身示範對人不對事嘅極致
幾乎每一次咬人都係回力鏢嚟
一個雞同鴨講嘅客觀描述
同一個淨係識睇名吶喊助威Yes Man嘅白卡啦啦隊
我就唔知邊個更加似唔知討論緊乜嘢
|
|
|
|
|
|
|
|
|
|
Advertisement
Advertisement
Advertisement
Advertisement
Advertisement
|
