RideHailing-Sim 网约车多智能体仿真平台

基于 MiroFish 多智能体 AI 架构改造的网约车仿真平台，通过离散时间步模拟司机/乘客 Agent 的行为决策、订单匹配、动态定价与需求预测。

核心特性

• 多智能体仿真：数百至数千个司机/乘客 Agent，各自具有独立策略和行为参数
• 车型品类定价：经济型 / 舒适型 / 豪华型，不同品类独立计价
• 动态定价引擎：供需比驱动的 Surge 定价（1.0x–3.0x），平峰时段运营活动自动触发优惠
• 会员体系：普通 / 银牌(95折) / 金牌(9折) / 铂金(88折)
• 预派单：行程剩余 ≤ 5 分钟的司机可提前接下一单
• 排队加价：等待中的乘客可加价 10%-30% 调度更远的车
• 平台抽成上限：27%
• 智能配参：LLM 驱动的自然语言场景 → 仿真参数生成
• 六边形空间网格：轻量级 H3-like 实现，无需 h3-py 依赖

快速开始

# 安装依赖
cd ridehailing-sim/backend
pip install -r requirements.txt

# 配置环境变量（可选，LLM 用于智能配参和报告生成）
cp ../. env.example ../.env
# 编辑 .env 填入 LLM API 配置

# 启动 Flask 服务
python run.py
# 服务默认运行在 http://localhost:5001

# 或运行独立 Demo（300 司机，北京早高峰 4 小时）
python scripts/run_demo.py

API 接口

仿真管理

方法	路径	说明
POST	/api/simulation/create	创建仿真配置
POST	/api/simulation/create-smart	LLM 智能创建配置
POST	/api/simulation/run	运行仿真
GET	/api/simulation/<id>	查询仿真状态
GET	/api/simulation/list	列出所有仿真
GET	/api/simulation/<id>/results	获取仿真结果
GET	/api/simulation/<id>/timeline	获取时序数据

报告

方法	路径	说明
POST	/api/report/generate	生成分析报告
GET	/api/report/<id>	获取报告
GET	/api/report/<id>/download	下载 Markdown 报告

示例：创建并运行仿真

# 创建
curl -X POST http://localhost:5001/api/simulation/create \
  -H "Content-Type: application/json" \
  -d '{
    "project_name": "北京早高峰",
    "city": "beijing",
    "total_drivers": 5000,
    "base_demand_per_hour": 2000,
    "total_hours": 24
  }'

# 运行
curl -X POST http://localhost:5001/api/simulation/run \
  -H "Content-Type: application/json" \
  -d '{"simulation_id": "sim_xxxxx"}'

# 生成报告
curl -X POST http://localhost:5001/api/report/generate \
  -H "Content-Type: application/json" \
  -d '{"simulation_id": "sim_xxxxx"}'

车型品类与定价

品类	对应车型	起步价	里程费(/km)	时长费(/min)
经济型	sedan	¥13	¥1.6	¥0.35
舒适型	suv	¥14	¥2.3	¥0.4
豪华型	luxury	¥25	¥3.8	¥0.8

项目结构

ridehailing-sim/backend/
├── run.py                          # Flask 服务入口
├── requirements.txt
├── scripts/run_demo.py             # 独立 Demo
└── app/
    ├── __init__.py                 # Flask App Factory
    ├── config.py                   # 配置管理
    ├── api/
    │   ├── simulation.py           # 仿真 API
    │   └── report.py               # 报告 API
    ├── models/
    │   ├── entities.py             # Order, Driver, Passenger 实体
    │   └── simulation.py           # 仿真配置与状态
    ├── services/
    │   ├── simulation_engine.py    # 核心仿真引擎（时间步主循环）
    │   ├── simulation_manager.py   # 仿真生命周期管理
    │   ├── config_generator.py     # LLM 智能配参
    │   ├── report_agent.py         # ReACT 报告生成
    │   ├── agents/
    │   │   ├── driver_agent.py     # 司机行为模型
    │   │   ├── passenger_agent.py  # 乘客行为模型
    │   │   └── profile_generator.py # Agent 档案生成
    │   ├── matching/engine.py      # 订单匹配（贪心/批量）
    │   ├── pricing/engine.py       # 动态定价 + 品类 + 会员 + 促销
    │   ├── geo/spatial.py          # 六边形网格 + 地理计算
    │   └── prediction/
    │       └── demand_forecast.py  # 需求预测
    └── utils/
        ├── llm_client.py           # OpenAI 兼容 LLM 客户端
        └── logger.py

仿真主循环

每个时间步（默认 60 秒）依次执行：

1. 司机决策 — 上线/下线/空闲移动
2. 乘客决策 — 是否叫车（受时段、surge、价格敏感度影响）
3. 排队加价 — 等待中乘客决定是否加价调度更远车辆
4. 订单匹配 — 贪心/批量匹配，按品类过滤，加价单扩大搜索半径
5. 预派单 — 行程即将结束的司机提前接下一单
6. 行程推进 — 接驾 → 载客 → 送达，含位置插值
7. 定价更新 — 区域供需比 → Surge 系数平滑更新
8. 超时处理 — 清理超时未匹配订单
9. 指标记录 — 在线/空闲/载客司机数、待匹配订单、加价订单等

环境变量

变量	说明	默认值
LLM_API_KEY	LLM API 密钥（可选）	—
LLM_BASE_URL	LLM API 地址	dashscope
LLM_MODEL_NAME	模型名称	qwen-plus
FLASK_PORT	服务端口	5001
DEFAULT_CITY	默认城市	beijing
GEO_GRID_RESOLUTION	六边形网格分辨率	7

技术栈

• Python 3.11+ / Flask 3.0+
• OpenAI SDK（兼容通义千问等 API）
• 无外部数据库，结果持久化为 JSON 文件

文档

• MiroFish 网约车仿真可行性分析