[Matsim]Matsim学习笔记-车辆和订单匹配的逻辑

学习需求

matsim扩展包中DRT动态线路的场景是，给定一些车辆、一些订单，进行车辆和订单的匹配，类似滴滴的拼车功能

学习笔记

车辆和订单匹配的源码

• 输入参数：未规划的订单请求

public void scheduleUnplannedRequests(Collection<DrtRequest> unplannedRequests) {
    	//当前模拟的时间戳
		double now = timeOfDay.getAsDouble();
        //请求被距离的订单
		List<DrtRequest> requestsToRetry = insertionRetryQueue.getRequestsToRetryNow(now);
		if (unplannedRequests.isEmpty() && requestsToRetry.isEmpty()) {
			return;
		}
		//创建车辆信息
		var vehicleEntries = forkJoinPool.submit(() -> fleet.getVehicles().values().parallelStream().map(v -> vehicleEntryFactory.create(v, now)).filter(Objects::nonNull).collect(Collectors.toMap(e -> e.vehicle.getId(), e -> e))).join();

		// first retry scheduling old requests
		requestsToRetry.forEach(req -> scheduleUnplannedRequest(req, vehicleEntries, now));

		// then schedule new requests
		for (var reqIter = unplannedRequests.iterator(); reqIter.hasNext();) {
			scheduleUnplannedRequest(reqIter.next(), vehicleEntries, now);
			reqIter.remove();
		}
	}

代码的整体逻辑
这段Java代码定义了一个名为scheduleUnplannedRequests的方法，它用于调度未计划的DRT（需求响应交通）请求。以下是该方法的逻辑概述：

1. 获取当前时间：

   • 从时间提供者（timeOfDay）获取当前仿真时间now。

2. 检查请求是否为空：

   • 如果传入的未计划请求集合unplannedRequests和重试队列requestsToRetry都是空的，则直接返回。

3. 创建车辆入口信息：

   • 使用forkJoinPool并行处理车队中所有车辆的入口信息创建。这涉及到为每辆车调用vehicleEntryFactory.create(v, now)，并收集非空的车辆入口信息到一个映射vehicleEntries中，键为车辆ID。

4. 重试调度旧请求：

   • 遍历requestsToRetry中的每个请求，并使用scheduleUnplannedRequest方法尝试重新调度这些请求。

5. 调度新请求：

   • 遍历unplannedRequests中的请求，并使用scheduleUnplannedRequest方法调度每个请求。在调度后，从迭代器中移除已处理的请求。

关键点解释：

• DrtRequest：代表需求响应交通中的请求。
• insertionRetryQueue：一个队列，包含之前未能成功插入且需要重试的请求。
• fleet：表示系统中的车队，包含所有可用车辆的信息。
• vehicleEntryFactory：一个工厂，用于创建车辆入口信息。
• forkJoinPool：一个并发执行任务的线程池，用于并行处理任务。
• scheduleUnplannedRequest：一个方法，用于尝试将单个未计划请求调度到合适的车辆。

这个方法体现了在DRT系统中对未计划请求进行调度的逻辑，包括对旧请求的重试和新请求的调度。通过并行处理车辆入口信息的创建，提高了调度过程的效率。此外，通过迭代器的remove操作，确保了在调度过程中对已处理的请求进行清理，避免重复调度。
其中有一段是并行处理的逻辑

var vehicleEntries = forkJoinPool.submit(() -> fleet.getVehicles().values().parallelStream().map(v -> vehicleEntryFactory.create(v, now)).filter(Objects::nonNull).collect(Collectors.toMap(e -> e.vehicle.getId(), e -> e))).join();

这段代码使用Java 8的流（Stream）API和ForkJoinPool来并行处理任务，目的是为了创建车辆入口信息的集合。以下是详细解释：

1. 并行流：

   • fleet.getVehicles().values().parallelStream()：从车队fleet中获取所有车辆的集合，并创建一个并行流。并行流可以利用多核处理器来加速处理过程。

2. 映射车辆到入口信息：

   • .map(v -> vehicleEntryFactory.create(v, now))：对并行流中的每个车辆v，调用vehicleEntryFactory.create(v, now)方法来创建车辆入口信息。这里now是当前的时间戳，用于计算车辆的初始状态。

3. 过滤非空结果：

   • .filter(Objects::nonNull)：过滤掉任何null结果，确保只保留成功创建的车辆入口信息。

4. 收集到映射：

   • .collect(Collectors.toMap(e -> e.vehicle.getId(), e -> e))：将流中的元素收集到一个映射（Map）中。映射的键是车辆的ID，值是对应的车辆入口信息对象。

5. 提交并行任务：

   • forkJoinPool.submit(...)：将上述流操作提交给ForkJoinPool执行。ForkJoinPool是专为递归任务设计的算法实现，适合大量小任务的并行处理。

6. 等待结果：

   • .join()：等待ForkJoinPool中提交的任务完成，并返回计算结果。在这个上下文中，返回的结果是包含所有车辆入口信息的映射。

7. 赋值：

   • var vehicleEntries：使用局部变量类型推断（Java 10引入的特性）来声明结果映射，无需显式指定其类型。

这段代码的最终结果是创建了一个名为vehicleEntries的映射，其中包含了所有车辆的入口信息，每个信息都与其车辆ID相关联。这种并行处理方式可以显著提高大规模车队状态更新的性能。