本章将对于MATSim的核心功能进行介绍，以及各个核心功能是如何在一起工作的。

第二章 核心功能总览

2.1 MATSim 仿真的主要步骤

MATsim 是一个使用java编写的基于活动的，可扩展的，多用户仿真架构。软件完全开源并且可以在github中下载（https://github.com/matsim-org）。软件的架构适用于大型交通环境如城市，甚至国家。因此，为了使百万人口的城市的交通情况得到仿真，每一种交通行为都尽量简化，只保留其最核心和最必要的部分。以车辆跟驰模型为例，matsim使用queue-based的模型（当然，用户可以根据自己的需要使用自己的跟驰模型模块），默认的queue-based省略了对于仿真来说过多负荷的car-following behavior，使大型仿真成为可能。

目前，matsim主要的仿真时长为一整天，原则上，也可以进行多天的仿真。

如下图所示，matsim是基于co-evolutionary的原则进行工作的。主要体现在，每一个agent（每一个交通参与者，在matsim中称作agent）在每一次迭代中优化这一天中的出行方式，包括出行时间，车辆路径，交通工具选择等。我们知道，每一个agent的交通选择都可能会改变其他agent的交通选择的结果，最典型的就是当所有人都去使用地理上的最短路径，就会造成最短路径的拥堵，那么对于使用这个路径的其他用户（也包括他自己）来说，这条路径便不再是最短路径。因此，在matsim的世界中，每一个用户的出行随着迭代的进行不断变化和更新，直到整个系统达到了最优，每一个用户也就找到了最适合他们自己的出行方式。

MATSim 仿真的执行过程

在matsim的仿真中我们要首先定义迭代的次数，如上图所示，一个循环就是一次迭代。首先我们需要一个initial demand，这个demand就是plans.xml文件，后面会详细说明。需要知道的是，这个文件中包含每一个agent一天的activity，典型的activity包含工作，上学，回家，购物等，activity的一些属性是必须已知的，如地点，根据他们的地点，系统会自动模拟该agent一天的出行行为，这个过程就是execution。execution后会根据matsim中的评分模块，对每个agent这一天的出行进行评分，下图就是一个典型的打分过程。

典型打分过程

上述过程称作一次迭代。在一次迭代之后，agent会得到一个有分数的一天的详细出行计划，这个计划称作plan。这个plan存储在用户的plan列表之中，之后的replanning步骤，一些用户会从他们已有的plan列表中选择一个执行，另一些会改变他们的出行计划（生成一个新的plan），例如改变使用的交通工具，改变出发的时间等。之后再重复execution的过程，进行下一个迭代。

这里详细谈一下replanning。通常一个出行计划的replanning是通过改变出发时间，或者路径（route），或者mode choice来实现的。具体改变哪些是根据仿真者定义的replanning strategy来决定的。进行仿真之前我们要对于replanning 不同的strategy 的系数进行设定，比如改变mode choice就是一项strategy，如果它的系数被设定的很高，那么用户就大概率在replanning的过程中进行mode choice的改变。

一个用户不可以储存无限的plan在plan列表中，我们会设定一个允许的最大plan数量对每一个agent而言。超过这个容量，agent需要删减一些plan。如何删减也有不同的设定，默认是会删除分数最低的plan。对于在已有的plan中进行选择，matsim的默认并不是直接选择分数最高的plan，二是通过logit分布来进行选择的，当然，使用者可以根据自己的需要使用不同的选择逻辑。

需要注意的是，matsim execution中发生的每一个event都会被记录下来，比如personDepartureEvent，甚至车辆离开哪一条道路都会被记录下来。这个event文件记录了matsim中这一迭代真实发生的事情，是我们用来评价仿真结果非常值得信赖的工具。