良心推荐 | 一份认真实用的国庆长假排队指南

Original Cloudiiink 中科院物理所 2022-04-06

收录于话题 #线上科学日 154个

* 图片来自百度百科-国庆节

又到了一年一度

给祖国母亲庆祝生日的日子

不知道大家准备好车票机票了没

是不是很期待放假的时光

出门给自己来一段

放飞身体和心灵的旅行

虽然理想很丰满，现实却很骨感

我们期待的景区是这个样子的

风和日丽，天气怡人

但是我们往往在现实生活中

遇到的却是众众众众众众众众众众

杭州西湖断桥，图片来自网易

进景点要排队

吃饭要排队

去个卫生间都要排队

……

排队不绝望，最绝望的是不知道该排哪条队，在选择的过程中机会就偷偷溜走了

每次面对排队这件事情，小编都会从内心升起一股深深的无奈。一旦选错了队伍，就是「看着很想努力，却又无能无力」。别人的队伍永远排得比我快，有时候鼓起勇气想换一条队，然后就被现实疯狂打脸。

所以今天，我们给大家准备了一份超级实用的长假排队指南，保证大家包学包会，一定管用。

为啥每次排队，旁边的队伍都比我快？

Please Tell Me Why

为啥每次排队，旁边的队伍都比我快？

为啥每次都是我没带伞的时候下雨？

为啥每次我忘带作业的时候老师偏偏要检查？

我觉得 Ta 好像是喜欢我

ddl 就是第一生产力进度条

就像大家在复制文件，查看下载进度的时候，老是忍不住把鼠标挪到进度条上，「动了动了！进度条动了一个像素点！」。每次遇到排队时，如果身边有多条队伍，总是会忍不住找一个参照物。在不知不觉中，你发现自己长时间的等待只挪动了几步，身边的队伍却健步如飞，那个参照物早就不知道到哪里去了。下次重新要排队，想着痛改前非悔过自新，结果却发现自己的这条队伍又是最慢的。

人们把不相关的两件事情联系在一起，比如今天走的是小路和我今天很倒霉，或者今天我穿了红衣服与今天下雨了，这个现象被称为谬误相关。

其实你不是一个人，在心理学中，有个专门的概念，谬误相关 (illusory correlation)。它起源于人们在认识不甚相关的事物的时候，往往会在比较突出的或者不同寻常的事物之间建立错误的相关性，似乎只要是突出的就是一定有关系的。这个现象最早由 Chapman 在 1967 年提出 [1]，实验表明谬误相关可能受到独特性 (distinctiveness) 与突显效应 (salience) 两个因子所影响。

回到排队困境上，其他的队伍移动得更快对我而言是一个突出的事件，因此直觉会把在这个环境中最突出的事物——我，和排队快慢联系起来 [2]。

如果你真的是选择哪只队伍，哪只队伍一定最慢的话，可以检查一下自己是否拥有超能力了。

选择一条合适的队伍

Choose the right queue

在排队的过程中，「选择」合适的排在你前面的人这一点非常重要

举一个大家小时候都做过的奥数题。小红小兰和小绿三个人都要洗手，却只有一个水龙头。小红洗得最快，只要10s就洗完了，小兰要洗30s，小绿要洗60s。如果按照顺序大家各自洗手，小红总用时10s，小兰总用时40s，小绿总用时100s，平均用时为50s。

但是假如我们把洗手的顺序倒过来，小绿总用时60s，小兰总用时90s，小红总用时100s，这时候大家的平均用时提高到了83.3s，比之前高多了。所以，为了让大家洗手的平均用时最短，我们应该让洗得快的人先洗。

同理，在景区、车站排队购票的时候，最理想的情况是让准备充分，目标明确的人先买，再让剩下的有咨询需求的人买。但是在现实生活中我们并不能这么操作，因为一来我们无法区分什么样的人需要什么样的服务，二来这样也并不符合我们先来后到的公平性原则。

现在不断出现自动售票机，自动取票机等，大大提高了人们的排队效率

其实现在各地不断出现的自动售票机，自动贩卖机等从某个角度上讲就是在把人群分流，把那些能够快速买票的人群从原来庞大的人工窗口队伍中剥离出来，而这样的队伍往往排的也更快。

排队论

Queuing Theory

在运筹学中，排队被抽象为顾客源源不断地到来，到达服务机构后等待服务，服务完成以后就离开。

实际上在运筹学中，早就对排队问题，随机服务系统建立了一套数学理论和方法 [3]。数学家们把排队规则分为三种，等待制：当顾客到达时，所有服务机构都被占用，顾客需要排队等候（当然排队的方式多种多样，诸如先到先服务，随机服务，有优先权的服务等）；损失制：顾客来到后看到服务机构没有空闲立即离去。混合制：排队空间有限，超过容纳人数的顾客必须离开系统。

在排漫漫长队的时候，大家往往会有一个疑问，为啥他们不多设几个窗口？

对于经营者来说，增加窗口就意味着增加投入，他们当然并不乐意。那么在有限的窗口情况下，怎么快速判断哪条队伍排的最快呢？

我们可以建立一个简单的模型来进行计算。

泊松分布适合于描述单位时间内随机事件发生的次数的概率分布，单位时间窗口到达人数服从泊松分布。生活中一个典型的例子是公交汽车，假如平均每 10 分钟发一班车，但具体的发车时间是很不固定的。如果你在某个时刻来到车站，等到下一班车平均要花多久呢？你在公交车站平均间隔时间是 10 分钟，而不是想象中的 5 分钟。

一般我们认为在窗口到达人数服从泊松分布，而服务时间服从负指数分布。我们用 λ 表示单位时间内平均到达的顾客数，用 μ 表示各个服务台的平均服务速率（服务员的服务能力）。那么，ρ = λ / μ 就代表了服务强度（准确地来说，应该是平均服务时间与到达间隔的比值，也就是(1/μ)/(1/λ)）。

Ws 表示顾客在系统中的平均逗留时间（包括排队等待时间和接受服务的时间），Wq 表示顾客排队等待的平均时间，可通过如下公式计算：（具体的计算是通过稳态时系统状态之间转移的差分方程得到，细节可以参考 [4]）

两种队伍模型示意图，左边为多个服务台多条队伍的情况，将所有来的人平均分开。而右边的并不进行区分，把所有来的人都放在一个队列里，使用多个服务台进行服务。直观来看两者并无不同，实际上差异特别大。假如我们遇到了服务台坏掉的情况，右边就会显得比左边更为高效，也不会导致混乱。图片来自 Wall Street Journal

如果是一个队伍一个服务台的情况

如果是一个队伍 k 个服务台的情况

其中

上面公式显然并不够直观我们知道大家都不爱看公式，我们以有三个窗口的售票大厅为例进行计算，假设每分钟平均到达人数为 λ = 0.9，单位时间内服务人数为 μ = 0.4。我们可以计算得到，在多队多服务台时，有75%的顾客需要排队等待，平均排队等待时间为7.5分钟，总时间平均需要10分钟。而按单队多服务台的排队规则进行排队，则只有约57%的顾客需要排队等待，平均等待时间为1.9分钟，总时间平均只需要4.4分钟。

所以在排队做选择的时候，尽量选择一条队伍对应多个服务台而不是每条队伍一个服务台。

最后一点玄学

Finally

没用不要觉得是小编的错

一切都是谬误相关（illusory correlation）