MOSS: A Large-scale Open Microscopic Traffic Simulation System

在智能交通系统（ITS）的研究中，交通仿真是评估新方法和优化策略的关键过程。然而，现有的交通仿真系统面临两个挑战。首先，如何平衡仿真规模和真实性是一个两难问题。其次，难以模拟真实的结果，需要真实的出行需求数据和模拟器。这些问题限制了大规模道路网络交通管理策略的计算机辅助优化，降低了交通仿真在缺乏真实世界出行需求数据的领域的可用性。为了解决这些问题，我们设计并实现了移动性仿真系统（MOSS）。MOSS采用GPU加速来显著提高微观交通仿真的效率和规模，从而实现大规模道路网络的真实和快速仿真。它通过预训练的生成神经网络模型基于全球范围内公开可用的数据（如卫星图像）提供真实的出行起点-终点（OD）矩阵生成，帮助研究人员构建有意义的出行需求数据。它还提供完整的开放式工具链，帮助用户进行道路网络建设、需求生成、仿真和结果分析。整个工具链包括模拟器都可以在https://moss.fiblab.net上访问，代码是开源的，供社区协作。

MOSS试图解决交通仿真中规模与真实性之间的平衡问题，以及缺乏真实出行需求数据的限制问题。

MOSS采用GPU加速来提高微观交通仿真的效率和规模，通过预训练的生成式神经网络模型生成真实的出行OD矩阵，提供完整的开放式工具链，包括道路网络构建、需求生成、仿真和结果分析。

MOSS提供了一个快速、高效、真实的交通仿真系统，可用于大规模道路网络的交通管理策略优化。通过预训练的生成式神经网络模型生成真实的出行OD矩阵。提供完整的开放式工具链，包括道路网络构建、需求生成、仿真和结果分析。MOSS的代码是开源的，可供社区合作。

最近的相关研究包括：1.《基于深度强化学习的交通信号控制》2.《交通流量预测：基于机器学习的综述》3.《基于交通流量预测的智能交通管理系统》