[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-cityflow-project--CityFlow":3,"tool-cityflow-project--CityFlow":64},[4,17,27,35,48,56],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":16},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,3,"2026-04-05T11:01:52",[13,14,15],"开发框架","图像","Agent","ready",{"id":18,"name":19,"github_repo":20,"description_zh":21,"stars":22,"difficulty_score":23,"last_commit_at":24,"category_tags":25,"status":16},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",138956,2,"2026-04-05T11:33:21",[13,15,26],"语言模型",{"id":28,"name":29,"github_repo":30,"description_zh":31,"stars":32,"difficulty_score":23,"last_commit_at":33,"category_tags":34,"status":16},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",107662,"2026-04-03T11:11:01",[13,14,15],{"id":36,"name":37,"github_repo":38,"description_zh":39,"stars":40,"difficulty_score":23,"last_commit_at":41,"category_tags":42,"status":16},2268,"ML-For-Beginners","microsoft\u002FML-For-Beginners","ML-For-Beginners 是由微软推出的一套系统化机器学习入门课程，旨在帮助零基础用户轻松掌握经典机器学习知识。这套课程将学习路径规划为 12 周，包含 26 节精炼课程和 52 道配套测验，内容涵盖从基础概念到实际应用的完整流程，有效解决了初学者面对庞大知识体系时无从下手、缺乏结构化指导的痛点。\n\n无论是希望转型的开发者、需要补充算法背景的研究人员，还是对人工智能充满好奇的普通爱好者，都能从中受益。课程不仅提供了清晰的理论讲解，还强调动手实践，让用户在循序渐进中建立扎实的技能基础。其独特的亮点在于强大的多语言支持，通过自动化机制提供了包括简体中文在内的 50 多种语言版本，极大地降低了全球不同背景用户的学习门槛。此外，项目采用开源协作模式，社区活跃且内容持续更新，确保学习者能获取前沿且准确的技术资讯。如果你正寻找一条清晰、友好且专业的机器学习入门之路，ML-For-Beginners 将是理想的起点。",84991,"2026-04-05T10:45:23",[14,43,44,45,15,46,26,13,47],"数据工具","视频","插件","其他","音频",{"id":49,"name":50,"github_repo":51,"description_zh":52,"stars":53,"difficulty_score":10,"last_commit_at":54,"category_tags":55,"status":16},3128,"ragflow","infiniflow\u002Fragflow","RAGFlow 是一款领先的开源检索增强生成（RAG）引擎，旨在为大语言模型构建更精准、可靠的上下文层。它巧妙地将前沿的 RAG 技术与智能体（Agent）能力相结合，不仅支持从各类文档中高效提取知识，还能让模型基于这些知识进行逻辑推理和任务执行。\n\n在大模型应用中，幻觉问题和知识滞后是常见痛点。RAGFlow 通过深度解析复杂文档结构（如表格、图表及混合排版），显著提升了信息检索的准确度，从而有效减少模型“胡编乱造”的现象，确保回答既有据可依又具备时效性。其内置的智能体机制更进一步，使系统不仅能回答问题，还能自主规划步骤解决复杂问题。\n\n这款工具特别适合开发者、企业技术团队以及 AI 研究人员使用。无论是希望快速搭建私有知识库问答系统，还是致力于探索大模型在垂直领域落地的创新者，都能从中受益。RAGFlow 提供了可视化的工作流编排界面和灵活的 API 接口，既降低了非算法背景用户的上手门槛，也满足了专业开发者对系统深度定制的需求。作为基于 Apache 2.0 协议开源的项目，它正成为连接通用大模型与行业专有知识之间的重要桥梁。",77062,"2026-04-04T04:44:48",[15,14,13,26,46],{"id":57,"name":58,"github_repo":59,"description_zh":60,"stars":61,"difficulty_score":10,"last_commit_at":62,"category_tags":63,"status":16},519,"PaddleOCR","PaddlePaddle\u002FPaddleOCR","PaddleOCR 是一款基于百度飞桨框架开发的高性能开源光学字符识别工具包。它的核心能力是将图片、PDF 等文档中的文字提取出来，转换成计算机可读取的结构化数据，让机器真正“看懂”图文内容。\n\n面对海量纸质或电子文档，PaddleOCR 解决了人工录入效率低、数字化成本高的问题。尤其在人工智能领域，它扮演着连接图像与大型语言模型（LLM）的桥梁角色，能将视觉信息直接转化为文本输入，助力智能问答、文档分析等应用场景落地。\n\nPaddleOCR 适合开发者、算法研究人员以及有文档自动化需求的普通用户。其技术优势十分明显：不仅支持全球 100 多种语言的识别，还能在 Windows、Linux、macOS 等多个系统上运行，并灵活适配 CPU、GPU、NPU 等各类硬件。作为一个轻量级且社区活跃的开源项目，PaddleOCR 既能满足快速集成的需求，也能支撑前沿的视觉语言研究，是处理文字识别任务的理想选择。",74913,"2026-04-05T10:44:17",[26,14,13,46],{"id":65,"github_repo":66,"name":67,"description_en":68,"description_zh":69,"ai_summary_zh":69,"readme_en":70,"readme_zh":71,"quickstart_zh":72,"use_case_zh":73,"hero_image_url":74,"owner_login":75,"owner_name":75,"owner_avatar_url":76,"owner_bio":77,"owner_company":77,"owner_location":77,"owner_email":77,"owner_twitter":77,"owner_website":77,"owner_url":78,"languages":79,"stars":108,"forks":109,"last_commit_at":110,"license":111,"difficulty_score":10,"env_os":112,"env_gpu":112,"env_ram":112,"env_deps":113,"category_tags":116,"github_topics":117,"view_count":23,"oss_zip_url":77,"oss_zip_packed_at":77,"status":16,"created_at":122,"updated_at":123,"faqs":124,"releases":155},3478,"cityflow-project\u002FCityFlow","CityFlow","A Multi-Agent Reinforcement Learning Environment for Large Scale City Traffic Scenario","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。它旨在解决传统交通仿真工具在运行效率与细节粒度上难以兼顾的痛点，特别是当研究人员需要训练复杂的 AI 算法来协调成千上万个路口的信号灯时，往往面临仿真速度过慢或无法精细模拟单车行为的挑战。\n\n这款工具非常适合人工智能研究者、交通工程专家以及算法开发者使用。无论是高校科研团队验证新的交通控制理论，还是科技企业开发智慧交通解决方案，CityFlow 都能提供强有力的支持。\n\n其核心亮点在于“微观仿真”与“极致速度”的完美结合。CityFlow 能够模拟每一辆车的详细行驶行为，提供高保真的交通演化数据，同时通过精心设计的数据结构和多线程技术，实现了比主流仿真软件 SUMO 更快的运行效率。即便是在覆盖整个城市的超大路网中，它也能保持流畅运行。此外，CityFlow 提供了友好的 Python 接口，让开发者能轻松将其与各类强化学习框架对接，快速构建和测试智能交通信号控制策略。目前，它已成为多个顶级学术会议研究成果及行业竞赛的标准基准平台。","CityFlow\n============\n\n.. image:: https:\u002F\u002Freadthedocs.org\u002Fprojects\u002Fcityflow\u002Fbadge\u002F?version=latest\n    :target: https:\u002F\u002Fcityflow.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest\n    :alt: Documentation Status\n\n.. image:: https:\u002F\u002Fdev.azure.com\u002FCityFlow\u002FCityFlow\u002F_apis\u002Fbuild\u002Fstatus\u002Fcityflow-project.CityFlow?branchName=master\n    :target: https:\u002F\u002Fdev.azure.com\u002FCityFlow\u002FCityFlow\u002F_build\u002Flatest?definitionId=2&branchName=master\n    :alt: Build Status\n\nCityFlow is a multi-agent reinforcement learning environment for large-scale city traffic scenario.\n\nCheckout these features!\n\n- A microscopic traffic simulator which simulates the behavior of each vehicle, providing highest level detail of traffic evolution.\n- Supports flexible definitions for road network and traffic flow\n- Provides friendly python interface for reinforcement learning\n- **Fast!** Elaborately designed data structure and simulation algorithm with multithreading. Capable of simulating city-wide traffic. See the performance comparison with SUMO [#sumo]_.\n\n.. figure:: https:\u002F\u002Fuser-images.githubusercontent.com\u002F44251346\u002F54403537-5ce16b00-470b-11e9-928d-76c8ba0ab463.png\n    :align: center\n    :alt: performance compared with SUMO\n\n    Performance comparison between CityFlow with different number of threads (1, 2, 4, 8) and SUMO. From small 1x1 grid roadnet to city-level 30x30 roadnet. Even faster when you need to interact with the simulator through python API.\n\nScreencast\n----------\n\n.. figure:: https:\u002F\u002Fuser-images.githubusercontent.com\u002F44251346\u002F62375390-c9e98600-b570-11e9-8808-e13dbe776f1e.gif\n    :align: center\n    :alt: demo\n\nFeatured Research and Projects Using CityFlow\n---------------------------------------------\n- `PressLight: Learning Max Pressure Control to Coordinate Traffic Signals in Arterial Network (KDD 2019) \u003Chttp:\u002F\u002Fpersonal.psu.edu\u002Fhzw77\u002Fpublications\u002Fpresslight-kdd19.pdf>`_\n- `CoLight: Learning Network-level Cooperation for Traffic Signal Control \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F1905.05717>`_\n- `Traffic Signal Control Benchmark \u003Chttps:\u002F\u002Ftraffic-signal-control.github.io\u002F>`_\n- `TSCC2050: A Traffic Signal Control Game by Tianrang Intelligence (in Chinese) \u003Chttp:\u002F\u002Fgame.tscc2050.com\u002F>`_ [#tianrang]_\n\nLinks\n-----\n\n- `WWW 2019 Demo Paper \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F1905.05217>`_\n- `Home Page \u003Chttp:\u002F\u002Fcityflow-project.github.io\u002F>`_\n- `Documentation and Quick Start \u003Chttps:\u002F\u002Fcityflow.readthedocs.io\u002Fen\u002Flatest\u002F>`_\n- `Docker \u003Chttps:\u002F\u002Fhub.docker.com\u002Fr\u002Fcityflowproject\u002Fcityflow>`_\n\n\n.. [#sumo] `SUMO home page \u003Chttps:\u002F\u002Fsumo.dlr.de\u002Findex.html>`_\n.. [#tianrang] `Tianrang Intelligence home page \u003Chttps:\u002F\u002Fwww.tianrang.com\u002F>`_\n","CityFlow\n============\n\n.. image:: https:\u002F\u002Freadthedocs.org\u002Fprojects\u002Fcityflow\u002Fbadge\u002F?version=latest\n    :target: https:\u002F\u002Fcityflow.readthedocs.io\u002Fen\u002Flatest\u002F?badge=latest\n    :alt: 文档状态\n\n.. image:: https:\u002F\u002Fdev.azure.com\u002FCityFlow\u002FCityFlow\u002F_apis\u002Fbuild\u002Fstatus\u002Fcityflow-project.CityFlow?branchName=master\n    :target: https:\u002F\u002Fdev.azure.com\u002FCityFlow\u002FCityFlow\u002F_build\u002Flatest?definitionId=2&branchName=master\n    :alt: 构建状态\n\nCityFlow 是一个用于大规模城市交通场景的多智能体强化学习环境。\n\n来看看它的这些特性吧！\n\n- 一款微观交通仿真器，能够模拟每一辆车的行为，提供最高级别的交通演化细节。\n- 支持灵活的道路网络和交通流定义。\n- 提供友好的 Python 接口，便于进行强化学习研究。\n- **速度快！** 精心设计的数据结构和仿真算法，并采用多线程技术。能够模拟整个城市的交通状况。请参阅与 SUMO 的性能对比 [#sumo]_。\n\n.. figure:: https:\u002F\u002Fuser-images.githubusercontent.com\u002F44251346\u002F54403537-5ce16b00-470b-11e9-928d-76c8ba0ab463.png\n    :align: center\n    :alt: 与 SUMO 的性能对比\n\n    CityFlow 在不同线程数（1、2、4、8）下与 SUMO 的性能对比。从小型的 1x1 格网路网到城市级的 30x30 路网。当您需要通过 Python API 与仿真器交互时，速度会更快。\n\n屏幕演示\n----------\n\n.. figure:: https:\u002F\u002Fuser-images.githubusercontent.com\u002F44251346\u002F62375390-c9e98600-b570-11e9-8808-e13dbe776f1e.gif\n    :align: center\n    :alt: 演示\n\n使用 CityFlow 的特色研究与项目\n---------------------------------------------\n- `PressLight：学习最大压力控制以协调主干道网络中的交通信号（KDD 2019） \u003Chttp:\u002F\u002Fpersonal.psu.edu\u002Fhzw77\u002Fpublications\u002Fpresslight-kdd19.pdf>`_\n- `CoLight：学习网络级协作以进行交通信号控制 \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F1905.05717>`_\n- `交通信号控制基准测试 \u003Chttps:\u002F\u002Ftraffic-signal-control.github.io\u002F>`_\n- `TSCC2050：天壤智能推出的交通信号控制游戏（中文） \u003Chttp:\u002F\u002Fgame.tscc2050.com\u002F>`_ [#tianrang]_\n\n链接\n-----\n\n- `WWW 2019 演示论文 \u003Chttps:\u002F\u002Farxiv.org\u002Fabs\u002F1905.05217>`_\n- `主页 \u003Chttp:\u002F\u002Fcityflow-project.github.io\u002F>`_\n- `文档与快速入门 \u003Chttps:\u002F\u002Fcityflow.readthedocs.io\u002Fen\u002Flatest\u002F>`_\n- `Docker \u003Chttps:\u002F\u002Fhub.docker.com\u002Fr\u002Fcityflowproject\u002Fcityflow>`_\n\n\n.. [#sumo] `SUMO 主页 \u003Chttps:\u002F\u002Fsumo.dlr.de\u002Findex.html>`_\n.. [#tianrang] `天壤智能主页 \u003Chttps:\u002F\u002Fwww.tianrang.com\u002F>`_","# CityFlow 快速上手指南\n\nCityFlow 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。它提供微观交通仿真，支持灵活的路网与车流定义，并拥有高性能的多线程仿真引擎，非常适合用于交通信号控制等强化学习研究。\n\n## 环境准备\n\n在开始之前，请确保您的系统满足以下要求：\n\n*   **操作系统**：推荐 Linux (Ubuntu 16.04\u002F18.04\u002F20.04) 或 macOS。Windows 用户建议使用 WSL2 或 Docker。\n*   **Python 版本**：Python 3.6 - 3.9\n*   **前置依赖**：\n    *   `pip` (Python 包管理工具)\n    *   `cmake` (构建工具)\n    *   `g++` (C++ 编译器)\n\n安装基础依赖示例 (Ubuntu):\n```bash\nsudo apt-get update\nsudo apt-get install -y python3-dev python3-pip cmake g++ libboost-all-dev\n```\n\n## 安装步骤\n\n推荐使用 `pip` 进行安装。为了获得更快的下载速度，国内开发者可以使用清华或阿里镜像源。\n\n**方式一：使用 PyPI 安装（推荐）**\n\n```bash\n# 使用清华镜像源加速安装\npip install cityflow -i https:\u002F\u002Fpypi.tuna.tsinghua.edu.cn\u002Fsimple\n```\n\n**方式二：使用 Docker（最简便，避免环境冲突）**\n\n如果您希望隔离环境或直接运行，可以使用官方 Docker 镜像：\n\n```bash\ndocker pull cityflowproject\u002Fcityflow\n```\n\n## 基本使用\n\nCityFlow 的核心是通过 Python 接口加载配置文件并运行仿真。以下是一个最小化的使用示例。\n\n### 1. 准备配置文件\nCityFlow 需要两个主要的 JSON 配置文件：路网文件 (`roadnet.json`) 和车流文件 (`flow.json`)。您可以从官方 GitHub 仓库的 `examples` 目录获取示例文件。\n\n假设您已准备好 `roadnet_1_1.json` 和 `flow_1_1.json`。\n\n### 2. 编写仿真脚本\n创建一个名为 `run_simulation.py` 的文件，写入以下代码：\n\n```python\nimport cityflow\n\n# 初始化仿真引擎\nengine = cityflow.Engine(\n    path_to_conf_file=\"config_1_1.json\",  # 主配置文件路径\n    thread_num=4                          # 开启多线程加速\n)\n\n# 运行仿真\nfor i in range(1000):\n    engine.next_step()\n    \n    # 在此处获取状态、执行动作（强化学习循环）\n    # vehicles = engine.get_vehicle_ids()\n    # ...\n\n# 结束仿真\nengine.end()\n```\n\n### 3. 创建主配置文件\n在同一目录下创建 `config_1_1.json`，内容如下：\n\n```json\n{\n    \"dir\": \".\u002F\",\n    \"roadnetFile\": \"roadnet_1_1.json\",\n    \"flowFile\": \"flow_1_1.json\",\n    \"rlTrafficLight\": true,\n    \"saveReplay\": false,\n    \"roadnetLogFile\": \"frontend\u002Froadnet_1_1.json\",\n    \"replayLogFile\": \"frontend\u002Freplay_1_1.txt\"\n}\n```\n\n### 4. 运行\n在终端执行：\n\n```bash\npython run_simulation.py\n```\n\n如果未报错且程序正常结束，说明 CityFlow 已成功运行。您可以进一步结合 Reinforcement Learning 框架（如 TensorFlow 或 PyTorch）开发自己的交通信号控制算法。","某智慧城市交通研究院正致力于利用多智能体强化学习算法，优化一座拥有数百个路口的大型城市交通信号控制系统。\n\n### 没有 CityFlow 时\n- **仿真速度瓶颈严重**：使用传统微观仿真器（如 SUMO）进行全市范围模拟时，计算耗时极长，导致强化学习模型训练一次需要数天甚至数周，研发迭代效率极低。\n- **细节与规模难以兼得**：为了追求运行速度，往往被迫简化路网或忽略单车行为细节，导致训练出的策略在真实复杂的交通流中表现不佳，泛化能力弱。\n- **算法对接繁琐**：缺乏友好的 Python 接口，研究人员需花费大量时间编写底层通信代码来连接仿真环境与深度学习框架，分散了核心算法设计的精力。\n- **并发支持不足**：难以利用多核 CPU 资源加速仿真，面对大规模路网时只能单线程运行，硬件资源利用率低。\n\n### 使用 CityFlow 后\n- **训练效率飞跃提升**：凭借精心设计的多线程架构和数据结构，CityFlow 在大规模路网下的仿真速度远超传统工具，将原本数周的模型训练周期缩短至数小时。\n- **高保真微观模拟**：在保持城市级路网规模的同时，依然能精确模拟每一辆车的行驶行为，确保训练出的信号控制策略既具备宏观调度能力又符合微观交通规律。\n- **无缝集成开发流程**：提供原生的 Python 接口，研究人员可直接调用标准强化学习库进行交互，快速构建并验证如 PressLight、CoLight 等前沿算法。\n- **弹性扩展算力**：支持灵活配置线程数量，随着硬件核心数增加，仿真性能线性提升，完美适配高性能计算集群以应对超大规模交通场景。\n\nCityFlow 通过突破性的仿真速度与高精度的微观建模，让城市级交通信号控制的强化学习研究从“理论可行”真正走向“落地实用”。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fcityflow-project_CityFlow_3cba991b.png","cityflow-project","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fcityflow-project_0b5d2bec.png",null,"https:\u002F\u002Fgithub.com\u002Fcityflow-project",[80,84,88,92,96,100,104],{"name":81,"color":82,"percentage":83},"C++","#f34b7d",61.5,{"name":85,"color":86,"percentage":87},"Python","#3572A5",27.1,{"name":89,"color":90,"percentage":91},"JavaScript","#f1e05a",7,{"name":93,"color":94,"percentage":95},"HTML","#e34c26",2.3,{"name":97,"color":98,"percentage":99},"CMake","#DA3434",1.3,{"name":101,"color":102,"percentage":103},"CSS","#663399",0.5,{"name":105,"color":106,"percentage":107},"Dockerfile","#384d54",0.2,982,205,"2026-03-31T18:47:51","Apache-2.0","未说明",{"notes":114,"python":112,"dependencies":115},"README 主要介绍了 CityFlow 作为大规模城市交通场景的多智能体强化学习环境的功能特性（如微观模拟、多线程加速、Python 接口等）及相关研究项目。提供的文本中未包含具体的操作系统、硬件配置（GPU\u002F内存）、Python 版本或依赖库的安装要求。建议查阅官方文档 (cityflow.readthedocs.io) 或 Docker 镜像页面获取详细的环境部署指南。",[112],[15,46],[118,119,120,121],"multiagent-systems","multiagent-reinforcement-learning","traffic-simulation","traffic-signal-control","2026-03-27T02:49:30.150509","2026-04-06T05:32:14.088030",[125,130,135,140,145,150],{"id":126,"question_zh":127,"answer_zh":128,"source_url":129},15942,"如何在 Windows 上安装和运行 CityFlow？有针对新手的教程吗？","对于 Windows 用户，推荐使用 WSL2 (Windows Subsystem for Linux) 进行安装。可以参考这篇详细指南：https:\u002F\u002Fmedium.com\u002F@EvanMath\u002Fhow-to-install-the-cityflow-simulator-in-windows-11-a89ef4ea2397。此外，官方文档 (https:\u002F\u002Ftraffic-signal-control.github.io\u002F#open-datasets) 也提供了相关信息。如果 GUI 显示复杂，部分用户最终选择了 SUMO 作为替代方案，但 CityFlow 本身支持通过配置启动 GUI。","https:\u002F\u002Fgithub.com\u002Fcityflow-project\u002FCityFlow\u002Fissues\u002F156",{"id":131,"question_zh":132,"answer_zh":133,"source_url":134},15943,"可视化回放时出现 'drawing roadnet failed' 或加载失败错误怎么办？","请检查您加载的 roadnet 文件是否为 CityFlow 生成的专用回放路网文件。该文件路径应在 `config.json` 中的 `roadnetLogFile` 字段定义。不要直接使用原始的路网文件进行回放可视化，必须使用模拟器运行后生成的日志文件。","https:\u002F\u002Fgithub.com\u002Fcityflow-project\u002FCityFlow\u002Fissues\u002F147",{"id":136,"question_zh":137,"answer_zh":138,"source_url":139},15944,"为什么回放大文件时报错 'Loading replayLog failed' 或交通灯显示白色？","这通常是由于浏览器对单个文件读取大小的限制导致的（例如 Chrome\u002FFirefox 在某些系统上限制约为 4GB）。当日志文件过大（如超过 5GB）时，FileReader 会失败。建议尝试减小仿真规模以生成较小的日志文件，或者检查是否可以使用分割日志的功能。此外，确保使用的是推荐的浏览器环境（Linux 下的 Firefox 通常表现较好）。","https:\u002F\u002Fgithub.com\u002Fcityflow-project\u002FCityFlow\u002Fissues\u002F161",{"id":141,"question_zh":142,"answer_zh":143,"source_url":144},15945,"如何获取单辆车的等待时间和累计等待时间？有相关 API 吗？","目前 CityFlow 尚未提供直接获取单车等待时间的专用 API。由于信号计划是由用户自行设定的，如果您需要知道当前的信号相位，可以直接根据您的信号控制逻辑在外部计算得出，而不需要依赖模拟器内部接口。开发团队曾表示会考虑添加此类 API，但目前需通过自定义逻辑实现。","https:\u002F\u002Fgithub.com\u002Fcityflow-project\u002FCityFlow\u002Fissues\u002F68",{"id":146,"question_zh":147,"answer_zh":148,"source_url":149},15946,"在使用 SUMO 转换器时遇到 'TypeError: '_Phase' object is not iterable' 错误如何修复？","这是由于 SUMO 1.7.0 版本中 `_Phase` 类缺少迭代器方法导致的。解决方法是修改 `Sumo\u002Ftools\u002Fsumolib\u002Fnet\u002F__init__.py` 文件中的 `Phase` 类（通常在 93 行左右），添加 `__iter__` 和 `__next__` 方法。同时，在 `tools\u002Fconverter\u002Fconverter.py` 中，将遍历相位的代码从 `for phase, duration in ...` 改为 `for current_phase in ...`，并相应调整后续变量的解包逻辑。具体可参考修复后的 fork 版本代码。","https:\u002F\u002Fgithub.com\u002Fcityflow-project\u002FCityFlow\u002Fissues\u002F107",{"id":151,"question_zh":152,"answer_zh":153,"source_url":154},15947,"运行 `Engine.next_step()` 时发生段错误 (segfault) 是什么原因？","这通常是由车道变更逻辑中的实现疏忽引起的，特别是 `abortLaneChange` 函数处理不当可能导致内存访问错误。维护者已确认这是一个代码遗漏问题并进行了修复。如果您遇到此问题，请确保使用的是最新版本的代码库，其中已经修复了导致在数百万步仿真后崩溃的隐患。","https:\u002F\u002Fgithub.com\u002Fcityflow-project\u002FCityFlow\u002Fissues\u002F50",[]]