CityFlow 快速城市交通仿真工具完全指南

【免费下载链接】CityFlow A Multi-Agent Reinforcement Learning Environment for Large Scale City Traffic Scenario 项目地址: https://gitcode.com/gh_mirrors/ci/CityFlow

CityFlow 是一个专为大规模城市交通场景设计的多智能体强化学习环境，提供高性能的微观交通仿真能力。作为一个开源项目，它支持灵活的交通流定义和友好的Python接口，是进行城市级交通模拟和智能交通系统研究的理想工具。

项目核心特性

• 高性能微观交通仿真：精心设计的数据结构和多线程算法，支持城市级规模的交通仿真
• 多智能体强化学习环境：为强化学习算法提供完整的训练和测试环境
• 灵活的配置系统：支持自定义路网和交通流定义
• 丰富的API接口：提供完整的控制和数据访问接口
• 可视化回放功能：支持仿真过程的可视化展示和分析

安装与配置

使用Docker快速安装

最简单的安装方式是通过Docker：

docker pull cityflowproject/cityflow:latest
docker run -it cityflowproject/cityflow:latest

从源码构建

如果需要最新版本或希望在原生系统上运行：

# 安装依赖
sudo apt update && sudo apt install -y build-essential cmake

# 克隆项目
git clone https://gitcode.com/gh_mirrors/ci/CityFlow

# 安装Python包
cd CityFlow
pip install .

快速开始

创建仿真引擎

import cityflow
eng = cityflow.Engine(config_path, thread_num=1)

配置文件示例（config.json）：

{
    "interval": 1.0,
    "seed": 0,
    "dir": "data/",
    "roadnetFile": "roadnet/testcase_roadnet_3x3.json",
    "flowFile": "flow/testcase_flow_3x3.json",
    "rlTrafficLight": false,
    "saveReplay": true,
    "roadnetLogFile": "frontend/web/testcase_roadnet_3x3.json",
    "replayLogFile": "frontend/web/testcase_replay_3x3.txt"
}

运行仿真

# 单步仿真
eng.next_step()

# 获取车辆信息
vehicles = eng.get_vehicles()
vehicle_info = eng.get_vehicle_info(vehicle_id)

# 控制交通信号灯
eng.set_tl_phase(intersection_id, phase_id)

核心功能详解

路网配置

CityFlow使用JSON格式定义路网结构，支持复杂的道路网络和交叉口配置。路网文件定义了道路、车道、交叉口和交通信号灯等基础设施。

交通流生成

通过流量配置文件定义车辆的生成规则、路径选择和出发时间，支持灵活的交通需求建模。

强化学习接口

提供完整的强化学习环境接口，包括状态观测、动作空间和奖励函数定义，支持多智能体协同控制。

高级功能

仿真快照与恢复

# 创建快照
archive = eng.snapshot()
archive.dump("save.json")

# 恢复仿真状态
eng.load_from_file("save.json")

车辆路径控制

# 动态修改车辆路径
eng.set_vehicle_route(vehicle_id, new_route)

性能监控

内置丰富的性能指标监控，包括平均行程时间、车辆数量、车道拥堵情况等。

应用场景

• 智能交通信号控制：基于强化学习的自适应信号控制
• 交通流优化：城市级交通流量分析和优化
• 自动驾驶仿真：为自动驾驶算法提供测试环境
• 交通政策评估：评估不同交通管理策略的效果

最佳实践

1. 从小规模开始：先从简单的网格路网开始，逐步扩展到复杂场景
2. 合理配置线程数：根据硬件资源调整线程数量以获得最佳性能
3. 充分利用可视化：使用回放功能分析仿真结果
4. 定期保存进度：使用快照功能保存重要仿真状态

CityFlow作为一个高性能的交通仿真工具，为城市交通研究和智能交通系统开发提供了强大的技术支持。通过灵活的配置和丰富的API，用户可以快速构建各种交通仿真场景，开展多智能体强化学习研究。

【免费下载链接】CityFlow A Multi-Agent Reinforcement Learning Environment for Large Scale City Traffic Scenario 项目地址: https://gitcode.com/gh_mirrors/ci/CityFlow