Poisson proces simulatie voor OV-fietsen

ovfiets.R

# Poisson proces simulatie voor OV-fietsen
library(tidyverse)

# parameters
start_fietsen_centraal <- 24
start_fietsen_sloterdijk <- 15

uit_per_minuut_centraal <- 7.14
in_per_minuut_centraal <- 6.14

uit_per_minuut_sloterdijk <- 2.14
in_per_minuut_sloterdijk <- 1.14

minuten <- 15


# run simulatie
iter <- 1000L
out <- matrix(0L, nrow = 0, ncol = 4)
for (i in 1:iter) {
  uit_centraal <- rpois(minuten, uit_per_minuut_centraal)
  in_centraal <- rpois(minuten, in_per_minuut_centraal)
  uit_sloterdijk <- rpois(minuten, uit_per_minuut_sloterdijk)
  in_sloterdijk <- rpois(minuten, in_per_minuut_sloterdijk)
  
  out <- rbind(out,
    cbind(
      i,
      0:minuten, 
      start_fietsen_centraal + c(0, cumsum(in_centraal - uit_centraal)),
      start_fietsen_sloterdijk + c(0, cumsum(in_sloterdijk - uit_sloterdijk))
    )
  )
}

# bereken kans en visualiseer
df <- 
  out |> 
  as_tibble() |> 
  set_names(c("iter", "minuten", "centraal", "sloterdijk")) |> 
  pivot_longer(c("centraal", "sloterdijk")) 

kansen <- 
  df |> 
  filter(minuten == {{minuten}}) |> 
  group_by(name) |> 
  summarize(kans = mean(value > 2)) |> 
  mutate(label = paste0(name, " (kans = ", round(kans, 3), ")"))

df <- left_join(df, kansen |> select(name, label), by = "name")

df |> 
  ggplot(aes(x = minuten, y = value, colour = name, group = paste(iter, name))) +
  geom_line(alpha = 0.2) +
  geom_hline(yintercept = 0) + 
  theme_minimal() +
  facet_wrap(vars(label)) +
  scale_colour_brewer(type = "qual", guide = "none") +
  labs(title = "OV-fietsen beschikbaar", 
       y = "Aantal fietsen", x = "Minuten")