Deployed 017216d with MkDocs version: 1.5.3

index.html

@@ -479,5 +479,5 @@ <h2 id="_15">其他</h2>
 
 <!--
 MkDocs version : 1.5.3
-Build Date UTC : 2024-01-28 13:55:39.145903+00:00
+Build Date UTC : 2024-01-30 11:25:46.259351+00:00
 -->

start_introduction/index.html

@@ -288,7 +288,7 @@
           <div role="main" class="document" itemscope="itemscope" itemtype="http://schema.org/Article">
             <div class="section" itemprop="articleBody">
 
-                <h1 id="carla">Carla</h1>
+                <h1 id="carla"><a href="https://carla.readthedocs.io/en/latest/start_introduction/">Carla</a></h1>
 <p><img alt="Welcome to CARLA" src="../img/welcome.png" /></p>
 <div class="admonition 重要">
 <p class="admonition-title">重要</p>
@@ -300,14 +300,14 @@ <h1 id="carla">Carla</h1>
 <h2 id="_1">仿真器</h2>
 <p>Carla 仿真器由可扩展的客户端-服务器架构组成。
 服务器负责与仿真本身相关的所有事情：传感器渲染、物理计算、世界状态及其参与者的更新等等。由于它的目标是实际结果，因此最合适的选择是使用专用 GPU 运行服务器，尤其是在处理机器学习时。
-客户端由一组客户端模块组成，控制场景中演员的逻辑并设置世界条件。这是通过利用 Carla API（Python 或 C++ 语言）来实现的，Carla API 是服务器和客户端之间的中介层，不断发展以提供新功能。</p>
+客户端由一组客户端模块组成，控制场景中参与者的逻辑并设置世界条件。这是通过利用 Carla API（Python 或 C++ 语言）来实现的，Carla API 是服务器和客户端之间的中介层，不断发展以提供新功能。</p>
 <p><img alt="CARLA Modules" src="../img/carla_modules.png" /></p>
 <p>这总结了仿真器的基本结构。然而，了解 Carla 的意义远不止于此，因为它共存了许多不同的功能和元素。下面列出了其中一些，以便了解 Carla 可以实现的功能。</p>
 <ul>
 <li><strong>交通管理器。</strong> 一种内置系统，除了用于学习的车辆外，还可以控制车辆。它充当 Carla 提供的指挥，以现实的行为重建类似城市的环境。</li>
 <li><strong>传感器。</strong> 车辆依靠它们来分发周围环境的信息。在 Carla 中，它们是附着在车辆上的特定类型的参与者，可以检索和存储它们接收到的数据以简化流程。目前该项目支持不同类型的技术，从摄像头到雷达、激光雷达等等。 </li>
 <li><strong>记录器。</strong> 此功能用于为世界上的每个参与者逐步重演仿真。它允许访问世界上任何地方的时间线中的任何时刻，这是一个很棒的追踪工具。</li>
-<li><strong>ROS 桥和 Autoware 实现。</strong> 作为普遍化的问题，Carla 项目致力于将仿真器集成到其他学习环境中。  </li>
+<li><strong>机器人操作系统桥接和 Autoware 实现。</strong> 作为普遍化的问题，Carla 项目致力于将仿真器集成到其他学习环境中。</li>
 <li><strong>开放资产。</strong> Carla 为城市环境提供了不同的地图，可以控制天气条件，并提供一个包含大量参与者的蓝图库。然而，这些元素可以定制，并且可以按照简单的指导原则生成新元素。</li>
 <li><strong>Scenario runner.</strong> 为了简化车辆的学习过程，Carla 提供了一系列描述不同情况的迭代路线。这些也为 <a href="https://carlachallenge.org/">Carla 挑战</a> 奠定了基础，每个人都可以测试他们的解决方案并跻身排行榜。</li>
 </ul>

tuto_G_traffic_prediction/index.html

@@ -5,15 +5,15 @@
     <meta http-equiv="X-UA-Compatible" content="IE=edge" />
     <meta name="viewport" content="width=device-width, initial-scale=1.0" />
       <link rel="shortcut icon" href="../img/favicon.ico" />
-    <title>Traffic_prediction - 交通仿真器文档</title>
+    <title>交通流量预测 - 交通仿真器文档</title>
     <link rel="stylesheet" href="../css/theme.css" />
     <link rel="stylesheet" href="../css/theme_extra.css" />
         <link rel="stylesheet" href="https://cdnjs.cloudflare.com/ajax/libs/highlight.js/11.8.0/styles/github.min.css" />
         <link href="../extra.css" rel="stylesheet" />
 
       <script>
         // Current page data
-        var mkdocs_page_name = "Traffic_prediction";
+        var mkdocs_page_name = "\u4ea4\u901a\u6d41\u91cf\u9884\u6d4b";
         var mkdocs_page_input_path = "tuto_G_traffic_prediction.md";
         var mkdocs_page_url = null;
       </script>
@@ -272,7 +272,7 @@
         <div class="rst-content"><div role="navigation" aria-label="breadcrumbs navigation">
   <ul class="wy-breadcrumbs">
     <li><a href=".." class="icon icon-home" aria-label="Docs"></a></li>
-      <li class="breadcrumb-item active">Traffic_prediction</li>
+      <li class="breadcrumb-item active">交通流量预测</li>
     <li class="wy-breadcrumbs-aside">
     </li>
   </ul>
@@ -281,8 +281,11 @@
           <div role="main" class="document" itemscope="itemscope" itemtype="http://schema.org/Article">
             <div class="section" itemprop="articleBody">
 
-                <h1 id="traffic_prediction">Traffic_prediction</h1>
-<p><strong>（注意！运行该脚本之前，应先运行generate_traffic.py并确保在town10中成功放置车辆）</strong></p>
+                <h1 id="_1">交通流量预测</h1>
+<div class="admonition 注意">
+<p class="admonition-title">注意</p>
+<p>运行该脚本之前，应先运行generate_traffic.py并确保在town10中成功放置车辆。</p>
+</div>
 <p>main函数中首先定义了argparser和carla模块，其中，argparse模块用于解析命令行参数，包括host（主机IP地址）、port（TCP端口号）、traffic_id（交通灯ID）、color_id（交通灯颜色ID）和color_time（交通灯时间）。</p>
 <pre><code>args= argparser.parse_arg()
 argparser = argparse.ArgumentParser(description=__doc__)
@@ -343,9 +346,8 @@ <h1 id="traffic_prediction">Traffic_prediction</h1>
     writer.writerow(["head", "value"])  # 写入表头
     for data in traffic_data:
         writer.writerow([data[0], data[1]])  # 写入数据
-</code></pre>
-<p><br></p>
-<pre><code>data = load_data('traffic_data.csv', 200)#读取数据
+
+data = load_data('traffic_data.csv', 200)#读取数据
 </code></pre>
 <p>从交通流量文件中加载<strong><em>数据</em></strong>并进行<strong><em>预处理</em></strong>。首先将数据读取为DataFrame对象，并绘制原始数据的折线图。通过指定的时间步大小对数据进行切片，形成训练样本并返回。</p>
 <pre><code>def load_data(filename, time_step):
@@ -404,18 +406,19 @@ <h1 id="traffic_prediction">Traffic_prediction</h1>
 predict_test = np.round(predict_test).astype(int)
 plot_curve(origin_test[:, -1], predict_test[:, -1])
 </code></pre>
-<p>定义plot_curve函数用于绘制真实数据和预测数据的曲线图,下图基于200秒之前的历史交通流量数据，对未来时间序列的流量预测。</p>
+<p>定义plot_curve函数用于绘制真实数据和预测数据的曲线图。下图基于200秒之前的历史交通流量数据，对未来时间序列的流量预测。</p>
 <pre><code>def plot_curve(true_data, predicted_data):
-fig, ax = plt.subplots()
-ax.plot(true_data, label='True data')
-ax.plot(predicted_data, label='Predicted data')
-ax.legend()
-# 设置y轴的格式化为整数
-ax.yaxis.set_major_formatter(ticker.ScalarFormatter(useOffset=False, useMathText=True))
-ax.yaxis.set_major_locator(ticker.MaxNLocator(integer=True))
-plt.show()
+    fig, ax = plt.subplots()
+    ax.plot(true_data, label='True data')
+    ax.plot(predicted_data, label='Predicted data')
+    ax.legend()
+    # 设置y轴的格式化为整数
+    ax.yaxis.set_major_formatter(ticker.ScalarFormatter(useOffset=False, useMathText=True))
+    ax.yaxis.set_major_locator(ticker.MaxNLocator(integer=True))
+    plt.show()
 </code></pre>
-<p><img alt="175262fa0f3be4ced61853ec5ac7e40" src="https://github.com/fengying1107/traffic/assets/67324267/d4ad5b03-5779-4969-9156-c88b691d1a23" /></p>
+<p>下图基于200秒的历史交通流量数据，对未来时间序列的流量预测。
+<img alt="image" src="../img/traffic_prediction.png" /></p>
 
             </div>
           </div><footer>