matsim-libs
matsim-libs 是一个专注于多智能体交通模拟的开源工具箱,旨在帮助研究人员和开发者构建大规模的交通系统仿真模型。它通过模拟成千上万个独立“智能体”(即出行者)的日常行为,如路径选择、模式切换及动态重规划,来重现真实的交通流演变过程,从而有效解决传统宏观模型难以捕捉个体行为差异与复杂交互影响的难题。
这套工具采用模块化架构设计,核心涵盖需求建模、微观交通流仿真、迭代控制及数据分析等功能。用户既可以组合使用现有模块快速搭建场景,也能灵活替换特定组件以测试自定义算法,这种高度的可扩展性是其显著的技术亮点。此外,项目提供完善的代码示例与持续集成支持,便于二次开发与功能验证。
matsim-libs 特别适合交通工程领域的科研人员、城市规划师以及具备编程基础的软件开发者使用。无论是评估新的交通政策、优化路网设计,还是研究自动驾驶对交通流的影响,它都能提供强有力的量化分析支持。对于希望深入探索基于智能体建模(ABM)技术的团队而言,这是一个成熟且活跃的专业平台。
使用场景
某大城市交通规划院正在评估“新增一条跨江地铁线”对全城早晚高峰路网拥堵的潜在影响,需要预测未来五年的交通流变化。
没有 matsim-libs 时
- 模型过于宏观:传统四阶段法只能给出路段平均流量,无法模拟单个驾驶员在拥堵时的具体改道行为,导致预测结果与实际体感偏差大。
- 试错成本极高:每次调整线路站点或发车频率,都需要人工重新编写复杂的底层代码来构建仿真环境,耗时数周且容易出错。
- 缺乏动态反馈:难以模拟“出行者根据昨日拥堵情况自动调整今日路线”的动态博弈过程,无法评估长期的路网均衡状态。
- 数据孤岛严重:交通需求建模、微观车流仿真和结果分析分散在不同软件中,数据流转困难,难以形成闭环验证。
使用 matsim-libs 后
- 微观个体仿真:利用 matsim-libs 的代理建模能力,为百万级市民生成独立出行计划,精准捕捉个体在突发拥堵下的重规划(Re-planning)行为。
- 模块化快速迭代:通过组合其现成的需求建模与车流仿真模块,规划师可在几天内搭建完整场景,灵活替换算法以测试不同策略。
- 迭代均衡计算:借助内置控制器自动运行多轮“仿真 - 重规划”循环,直至路网达到稳定状态,真实反映长期交通演化趋势。
- 一站式分析闭环:直接使用配套分析工具处理输出数据,即时生成拥堵热力图和行程时间报告,大幅缩短从建模到决策的周期。
matsim-libs 将原本需要数月定制的宏观推演,转化为可快速迭代、基于个体行为的微观数字实验,显著提升了交通决策的科学性与响应速度。
运行环境要求
- 未说明 (基于 Java,理论上支持所有主流操作系统)
未说明 (非 GPU 加速工具,主要依赖 CPU)
未说明 (取决于模拟规模,通常建议 8GB+)

快速开始
概述
MATSim 提供了一个用于运行和实现大规模基于代理的交通模拟的工具箱。该工具箱由多个模块组成,这些模块可以组合使用,也可以单独使用。用户可以用自己的实现替换某些模块,以测试自己工作的特定方面。目前,MATSim 提供了需求建模、基于代理的出行模拟(交通流模拟)、重新规划、用于迭代运行模拟的控制器,以及分析各模块生成输出的方法。
所有可用扩展的列表都可以在 contribs 文件夹中找到。
更多信息请访问项目官网:http://www.matsim.org/。
问题
您有任何疑问吗?请访问 https://matsim.org/faq,看看是否已有解答。如果没有,请提出新问题。
开发
问题跟踪器位于 https://matsim.org/issuetracker。
通过以下命令进行构建(请从本目录而非任何子目录执行):
mvn package -DskipTests
如果您只想安装核心部分,可以运行:
mvn install --also-make --projects matsim
二进制文件
发布版本(包括基于 PR 的发布和每周发布)以及快照可以在 https://repo.matsim.org/ 找到。
一个包含完整 pom.xml 的示例项目,可以帮助您开始自己的项目,可在 https://github.com/matsim-org/matsim-example-project 找到。
版本历史
2025.02025/04/112024.02024/04/1324.0-RC12024/04/1115.02023/04/1215.0-RC12023/04/0514.02022/04/1114.0-RC12022/04/1113.02021/04/11matsim-12.02020/06/04matsim-0.10.12018/08/140.10.02018/04/09matsim-0.9.02017/05/23matsim-0.8.12016/10/10matsim-0.8.02016/06/14matsim-0.7.02015/10/29常见问题
相似工具推荐
openclaw
OpenClaw 是一款专为个人打造的本地化 AI 助手,旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚,能够直接接入你日常使用的各类通讯渠道,包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息,OpenClaw 都能即时响应,甚至支持在 macOS、iOS 和 Android 设备上进行语音交互,并提供实时的画布渲染功能供你操控。 这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地,用户无需依赖云端服务即可享受快速、私密的智能辅助,真正实现了“你的数据,你做主”。其独特的技术亮点在于强大的网关架构,将控制平面与核心助手分离,确保跨平台通信的流畅性与扩展性。 OpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者,以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力(支持 macOS、Linux 及 Windows WSL2),即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你
stable-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。 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。
everything-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。 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。 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
ComfyUI
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。 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。 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。
LLMs-from-scratch
LLMs-from-scratch 是一个基于 PyTorch 的开源教育项目,旨在引导用户从零开始一步步构建一个类似 ChatGPT 的大型语言模型(LLM)。它不仅是同名技术著作的官方代码库,更提供了一套完整的实践方案,涵盖模型开发、预训练及微调的全过程。 该项目主要解决了大模型领域“黑盒化”的学习痛点。许多开发者虽能调用现成模型,却难以深入理解其内部架构与训练机制。通过亲手编写每一行核心代码,用户能够透彻掌握 Transformer 架构、注意力机制等关键原理,从而真正理解大模型是如何“思考”的。此外,项目还包含了加载大型预训练权重进行微调的代码,帮助用户将理论知识延伸至实际应用。 LLMs-from-scratch 特别适合希望深入底层原理的 AI 开发者、研究人员以及计算机专业的学生。对于不满足于仅使用 API,而是渴望探究模型构建细节的技术人员而言,这是极佳的学习资源。其独特的技术亮点在于“循序渐进”的教学设计:将复杂的系统工程拆解为清晰的步骤,配合详细的图表与示例,让构建一个虽小但功能完备的大模型变得触手可及。无论你是想夯实理论基础,还是为未来研发更大规模的模型做准备
Deep-Live-Cam
Deep-Live-Cam 是一款专注于实时换脸与视频生成的开源工具,用户仅需一张静态照片,即可通过“一键操作”实现摄像头画面的即时变脸或制作深度伪造视频。它有效解决了传统换脸技术流程繁琐、对硬件配置要求极高以及难以实时预览的痛点,让高质量的数字内容创作变得触手可及。 这款工具不仅适合开发者和技术研究人员探索算法边界,更因其极简的操作逻辑(仅需三步:选脸、选摄像头、启动),广泛适用于普通用户、内容创作者、设计师及直播主播。无论是为了动画角色定制、服装展示模特替换,还是制作趣味短视频和直播互动,Deep-Live-Cam 都能提供流畅的支持。 其核心技术亮点在于强大的实时处理能力,支持口型遮罩(Mouth Mask)以保留使用者原始的嘴部动作,确保表情自然精准;同时具备“人脸映射”功能,可同时对画面中的多个主体应用不同面孔。此外,项目内置了严格的内容安全过滤机制,自动拦截涉及裸露、暴力等不当素材,并倡导用户在获得授权及明确标注的前提下合规使用,体现了技术发展与伦理责任的平衡。