摘要随着国内旅游市场的持续增长用户面临信息过载、行程规划耗时、个性化推荐缺失等问题。本文设计并实现了 TripMaster Pro 智能旅行规划系统以 Python Flask 为后端框架Vue.js 3 Element Plus 为前端技术栈整合全国景点数据 6121 条、美食数据 6150 条、住宿数据 1364 条及非物质文化遗产数据构建了涵盖数据展示、智能推荐、行程规划、可视化分析、AI 对话、多模态交互等功能的综合性旅游服务平台。在智能行程优化方面系统采用模拟退火算法和遗传算法实现行程编排根据问题规模自动选择最优求解策略并集成用户疲劳度模型约束行程强度支持体弱、正常、运动员三种体能等级预设确保生成的行程既丰富又可持续。系统接入 DeepSeek 大模型 API通过精心设计的提示词工程实现 AI 智能行程生成和自然语言对话当大模型服务不可用时自动降级到本地模板回复保证服务可用性。在数据处理方面系统采用 SQLite 作为主数据库通过连接池管理和 WAL 模式优化提升并发性能针对携程采集数据中价格格式多样的问题设计了专门的价格解析与类型推断函数。前端采用前后端分离架构通过 Vite 代理实现跨域转发使用 ECharts 实现可视化大屏支持语音识别和图片识别等多模态交互能力。关键词智能旅行规划模拟退火遗传算法DeepSeek 大模型疲劳度模型多模态交互1.案例背景近年来国内旅游市场持续增长2024年国内旅游人次已超过60亿。然而用户面临信息过载、行程规划耗时、个性化推荐缺失、协作分享不便等问题。现有平台大多仅提供静态信息展示缺乏智能化行程编排、实时数据感知和多人协作能力。本文设计 TripMaster Pro 系统以数据驱动决策、智能赋能旅行为理念整合多源旅游数据构建完整的后端服务基础设施连接池、缓存、监控采用模拟退火与遗传算法实现智能行程优化集成开放时间、实时拥堵、疲劳度等多维约束接入 DeepSeek 大模型提供 AI 能力支持行程的版本管理、协作编辑与社交分享以及语音交互、图片识别等多模态交互。技术栈后端 Python Flask SQLite连接池 WAL 读写分离前端 Vue.js 3 Element Plus Vite可视化 ECharts地图百度地图 APIAI 服务 DeepSeek API。2.数据提取系统的数据来源主要包括四个部分1景点数据通过编写网络爬虫从携程网采集全国 A 级景区信息共计 6121 条记录包含景区名称、所在城市、景区类型、等级、评分、门票价格、经纬度坐标、景点介绍、图片 URL 等字段2美食数据通过爬虫从携程网采集全国各地特色美食信息共计 6150 条记录包含美食名称、所属城市、菜系分类、口味特点、推荐店铺、人均消费等字段3住宿数据通过爬虫从携程网采集酒店列表信息共计 1364 条酒店记录包含酒店名称、所在城市、星级、评分、价格、地址等字段。地理坐标数据通过调用百度地图 API 进行地理编码确保所有位置信息的真实性和准确性。4非遗数据国家级非物质文化遗产项目信息采用多工作表 Excel 格式包含项目信息、传承人信息和统计分析数据。数据采集采用公开数据集 网络采集 第三方API的多源融合策略。对于地理坐标数据系统调用百度地图 API 进行地理编码将景区名称转换为经纬度坐标确保所有位置信息的真实性和准确性而非随机生成或估算。3.项目文件介绍系统的后端主程序为 11李金灵.py采用 Python Flask 框架编写是整个系统的服务端核心集成了数据加载、数据库操作、优化算法、AI接口调用及100余个 RESTful API 接口。前端项目位于 frontend/ 目录下基于 Vue.js 3 Vite Element Plus 构建。数据文件包括四个 Excel 文件scenic_spots.xlsx景点数据、food_data.xlsx美食数据、携程-酒店列表信息采集.xlsx住宿数据、ProvICH_China_2005-2024.xls非遗数据。数据库文件 tripmaster.db 为 SQLite 主数据库系统启动时自动创建。.env 文件存储百度地图、DeepSeek、和风天气等第三方服务的 API 密钥。4.数据处理4.1 数据加载与清洗系统启动时自动读取所有 Excel 数据文件。景点和美食数据通过 pandas 批量读取使用 astype(object).where(pd.notnull(df), None) 将 NaN 统一转为 Python None避免数据库类型错误。住宿数据使用 openpyxl 逐行读取因携程采集的价格格式复杂多样如¥120、100元/晚、起需要在读取过程中实时调用价格解析函数处理。加载完成后数据同时写入 SQLite 和保留在内存中数据库支持复杂查询内存数据用于前端高频筛选和地图渲染。def load_scenic_spots(): df pd.read_excel(os.path.join(APP_ROOT, scenic_spots.xlsx)) df df.astype(object).where(pd.notnull(df), None) _SCENIC_SPOTS df.to_dict(records) print(f[SCENIC] 景点数据加载完成{len(_SCENIC_SPOTS)}条)4.2 价格解析与类型推断携程采集的住宿数据中价格字段格式多样系统设计了分层解析策略先去除¥元起等前后缀再尝试浮点数转换失败则返回 None。酒店类型根据星级和标签规则推断如五星推断为五星级豪华推断为豪华型默认返回舒适型。def _parse_price(val): if val is None: return None s str(val).strip().replace(起,).replace(元,).replace(¥,) try: return float(s.strip()) except ValueError: return None def _infer_hotel_type(star, tags): if 豪华 in str(star): return 豪华型 if 五星 in str(star): return 五星级 if 民宿 in str(tags).lower(): return 民宿 return 舒适型4.3 数据库表结构系统采用 SQLite 作为主数据库设计了完整的数据库架构。核心表包括scenic_spots景点信息含人气热度、扩展字段、users用户账号、favorites收藏记录、user_interactions交互记录、trips行程计划含分享码、公开状态、trip_versions行程版本历史、trip_collaborators行程协作者、api_logsAPI请求日志、slow_queries慢查询记录、error_alerts错误告警等。系统通过 DBIndexManager 自动维护索引通过 DBBackupManager 实现定时全量备份。CREATE TABLE scenic_spots ( id INTEGER PRIMARY KEY AUTOINCREMENT, name TEXT NOT NULL, city TEXT, type TEXT, latitude REAL, longitude REAL, rating REAL, price REAL, visit_time INTEGER, level TEXT, description TEXT, tags TEXT, popularity REAL, is_active INTEGER DEFAULT 1, extra TEXT DEFAULT {} ); CREATE INDEX idx_city ON scenic_spots(city); CREATE INDEX idx_type ON scenic_spots(type); CREATE INDEX idx_rating ON scenic_spots(rating); CREATE TABLE trips ( id INTEGER PRIMARY KEY AUTOINCREMENT, user_id INTEGER, title TEXT, city TEXT, days INTEGER, budget_level TEXT, content TEXT, share_code TEXT UNIQUE, is_public INTEGER DEFAULT 0, like_count INTEGER DEFAULT 0, created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP ); CREATE TABLE trip_versions ( id INTEGER PRIMARY KEY AUTOINCREMENT, trip_id INTEGER, version INTEGER, content TEXT, created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP, FOREIGN KEY (trip_id) REFERENCES trips(id) ON DELETE CASCADE ); CREATE TABLE trip_collaborators ( id INTEGER PRIMARY KEY AUTOINCREMENT, trip_id INTEGER, user_id INTEGER, role TEXT DEFAULT editor, invited_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP, FOREIGN KEY (trip_id) REFERENCES trips(id) ON DELETE CASCADE, UNIQUE(trip_id, user_id) );5.后端服务基础设施5.1数据库连接池SQLite 默认单线程高并发下易出现数据库被锁定错误。系统实现 DBConnectionPool 连接池初始化时创建5个连接放入队列通过上下文管理器实现借还管理确保连接在任何情况下正确归还。同时开启 WAL 模式写操作分离到独立日志文件支持读写并发、同步模式设为 NORMAL、缓存大小设为64MB显著提升并发性能。class DBConnectionPool: def __init__(self, db_path, pool_size5): self._pool queue.Queue(maxsizepool_size) for _ in range(pool_size): conn sqlite3.connect(db_path, check_same_threadFalse) conn.execute(PRAGMA journal_modeWAL) conn.execute(PRAGMA synchronousNORMAL) conn.execute(PRAGMA cache_size-64000) self._pool.put(conn) contextmanager def get_connection(self): conn self._pool.get(timeout10) try: yield conn finally: self._pool.put(conn)5.2读写分离系统实现 DBReadWriteSplitter 读写分离管理器。写操作使用主库WAL模式读操作优先使用只读副本副本通过 sqlite3 的 backup 方法从主库同步同步间隔60秒。当副本不可用时自动回退到主库读保证服务连续性。class DBReadWriteSplitter: def __init__(self, db_path): self.db_path db_path self._read_replica_path db_path .replica self._sync_interval 60 def _sync_to_replica(self): source sqlite3.connect(self.db_path, timeout30) dest sqlite3.connect(self._read_replica_path, timeout30) source.backup(dest) dest.close(); source.close() def get_read_connection(self): if self.should_sync(): self._sync_to_replica() try: return sqlite3.connect( ffile:{self._read_replica_path}?modero, uriTrue) except: return sqlite3.connect(self.db_path) # 回退主库5.3缓存引擎系统实现 CacheEngine 缓存引擎采用多层缓存策略第一层为内存 LRU 缓存基于 OrderedDict默认容量1000条第二层为 SQLite 持久化缓存第三层为 Redis 分布式缓存可选。缓存支持 TTL生存时间和版本号管理当数据更新时自动使旧缓存失效。景点数据、地图 API 结果、DeepSeek 响应等高频数据均通过缓存加速。class CacheEngine: def __init__(self, backendMemoryLRU, capacity1000): self.backend backend self._memory_cache OrderedDict() self._capacity capacity self._db_cache_table cache_entries def get(self, key): if key in self._memory_cache: self._memory_cache.move_to_end(key) return self._memory_cache[key][value] # 回退到数据库缓存 return self._get_from_db(key) def set(self, key, value, ttl300): if len(self._memory_cache) self._capacity: self._memory_cache.popitem(lastFalse) self._memory_cache[key] {value: value, expires: time.time()ttl}5.4集中式日志与性能监控系统构建 CentralizedLogStore 集中式日志存储记录所有 API 请求时间、方法、路径、用户ID、响应耗时、状态码自动识别慢查询超过500ms并记入 slow_queries 表。ErrorAlertManager 捕获系统异常并生成告警支持严重等级分级和确认标记。PerformanceMonitor 统计各接口的 QPS、P50/P95/P99 延迟、错误率等指标为性能调优提供数据支撑。class CentralizedLogStore: def log_api(self, method, path, user_id, duration_ms, status_code): conn get_db(); c conn.cursor() c.execute(INSERT INTO api_logs (ts,method,path,user_id,duration_ms,status_code) VALUES (?,?,?,?,?,?), (datetime.now().isoformat(), method, path, user_id, duration_ms, status_code)) conn.commit(); conn.close() class PerformanceMonitor: def record(self, path, duration_ms): self._stats[path][count] 1 self._stats[path][total_ms] duration_ms if duration_ms self._stats[path][max_ms]: self._stats[path][max_ms] duration_ms6.模型原理6.1模拟退火行程优化模拟退火算法SA灵感来源于金属退火过程通过温度参数控制搜索行为。系统将景点坐标作为搜索空间以行程总成本为目标函数综合考虑交通距离Haversine公式、游览时间、门票费用、疲劳度累积、开放时间合规性和实时拥堵惩罚六个因素。增强版 SA 新增了开放时间过滤若指定了开始日期系统调用 ScenicOpenHours 过滤掉全程闭馆的景点同时集成实时拥堵数据从 TrafficCongestion 服务获取景点热度评分和人群密度等级在成本函数中对高拥堵景点施加额外惩罚。参数设置初始温度100度冷却速率0.995最大迭代2000次。class SimulatedAnnealingOptimizer: INITIAL_TEMP 100.0; COOLING_RATE 0.995; MAX_ITER 2000 def _get_scenic_points(self, city, preferences, start_dateNone, days1): points [...] # 开放时间过滤 if start_date: available, unavailable ScenicOpenHours.filter_available_scenics( [p[name] for p in points], start_date, days) points [p for p in points if p[name] in available] return points[:15] def _calculate_route_cost(self, route, fatigue_model, start_dateNone): total_time total_distance total_cost total_fatigue 0 congestion_penalty open_time_violations 0 for i, point in enumerate(route): total_time point.get(visit_time, 3) * 60 total_cost point.get(price, 0) total_fatigue fatigue_model.calculate_activity_fatigue( point.get(visit_time, 2), point.get(type)) # 实时拥堵惩罚 traffic self._get_realtime_traffic(point[name]) if traffic[crowd_level] high: congestion_penalty 30 if i len(route) - 1: total_distance self._haversine(point, route[i1]) return total_time total_distance*10 total_cost total_fatigue*2 congestion_penalty6.2遗传算法行程优化遗传算法GA通过选择、交叉、变异三种遗传操作在多代种群中搜索最优解。染色体编码由景点排列顺序和天分隔断点两部分组成。适应度函数采用奖励高分景点、惩罚过度疲劳策略同时引入开放时间奖励景点在游览日开放的给予加分和拥堵惩罚高拥堵景点扣分。参数种群50个个体进化100代交叉率0.8变异率0.15。当景点数超过10个且天数不少于3天时自动选择 GA。class GeneticAlgorithmOptimizer: POPULATION_SIZE 50; MAX_GENERATIONS 100 CROSSOVER_RATE 0.8; MUTATION_RATE 0.15 def _fitness(self, chromosome, fatigue_model, start_dateNone): day_routes self._decode(chromosome) total_rating open_time_bonus total_penalty 0 for route in day_routes: for pt in route: total_rating pt[rating] # 开放时间奖励 if start_date and ScenicOpenHours.is_open(pt[name], start_date): open_time_bonus 5 fatigue fatigue_model.calculate_activity_fatigue( pt.get(visit_time,2), pt.get(type)) if fatigue fatigue_model.max_daily_fatigue * 0.5: total_penalty fatigue return total_rating * 10 open_time_bonus - total_penalty6.3智能行程编排调度器系统设计了 SmartItineraryPlanner 智能调度器根据问题规模自动选择最优算法。小规模问题景点少于10个、天数少于3天采用模拟退火收敛快、内存占用小大规模问题采用遗传算法搜索能力强、全局性好。用户也可手动指定算法覆盖自动判断。class SmartItineraryPlanner: def plan(self, city, days, budget, preferences, algorithmauto): if algorithm auto: points_count len(self._get_scenic_points(city, preferences)) if points_count 10 and days 3: algorithm ga else: algorithm sa if algorithm ga: return self.ga.optimize(city, days, budget, preferences) else: return self.sa.optimize(city, days, budget, preferences)6.4用户疲劳度模型系统建立疲劳度约束模型将体力消耗纳入行程优化核心考量。定义三种体能预设体弱人士上限606小时、正常体能上限10010小时、运动员级上限15012小时。疲劳度计算考虑活动类型差异登山类系数1.5室内类系数0.8。模型与优化算法深度集成SA中总疲劳度纳入成本函数GA中超标疲劳产生惩罚。class FatigueModel: FITNESS_PRESETS { weak: {max_daily_fatigue: 60, max_daily_hours: 6, fatigue_factor: 1.6, prefer_flat: True}, normal: {max_daily_fatigue: 100, max_daily_hours: 10, fatigue_factor: 1.0, prefer_flat: False}, athletic:{max_daily_fatigue: 150, max_daily_hours: 12, fatigue_factor: 0.7, prefer_flat: False}, } def calculate_activity_fatigue(self, hours, activity_type): base hours * 15 if activity_type in (mountain, hiking): base * 1.5 elif activity_type in (museum, indoor): base * 0.8 return base6.5景点开放时间管理ScenicOpenHours 模块维护各景点的开放时间表支持常规营业时间、季节性调整和特殊闭馆日。在行程规划时系统根据用户选择的开始日期和行程天数过滤掉全程闭馆的景点并在遗传算法的适应度函数中对开放景点给予奖励分确保生成的行程中每个景点在游览日均可进入。6.6 实时拥堵评估TrafficCongestion 模块通过实时特征服务获取景点的热度评分heat_score和点击率ctr将人群密度划分为低、中、高三个等级。在模拟退火的成本函数中高拥堵景点额外增加30点惩罚引导算法优先选择人流较少的时段或景点提升用户的实际游览体验。7.模型设计与实现7.1统一响应与错误处理系统定义统一错误码ERR_OK0、ERR_PARAMS400、ERR_UNAUTHORIZED401、ERR_NOT_FOUND404、ERR_INTERNAL500、ERR_TIMEOUT504和响应格式code、success、message、data、timestamp。错误响应包含 trace_id便于前后端联调时快速定位问题。def ok(dataNone, message成功): return jsonify({code: 0, success: True, message: message, data: data, timestamp: int(time.time())}) def err(messageNone, code500): msg message or ERROR_MESSAGES.get(code, 未知错误) return jsonify({code: code, message: msg, trace_id: hashlib.md5(f{time.time()}{code}.encode()).hexdigest()[:12], timestamp: int(time.time())}), 5007.2DeepSeek大模型集成系统接入 DeepSeek API 实现 AI 行程生成和自然语言对话。行程生成通过 Prompt Engineering 设计结构化提示词以资深中国旅游规划师角色指令引导输出 JSON 格式行程含标题和每日主题及景点列表。API 调用设置 120 秒超时失败时自动降级到本地模板回复。对话接口取最近10轮消息作为上下文避免超出模型上下文窗口限制。缓存引擎缓存 DeepSeek 响应相同查询直接返回缓存结果降低 API 调用成本。# AI行程生成 prompt [ {role: system, content: 你是资深中国旅游规划师}, {role: user, content: f请为游客定制【{destination}{days}日游】行程 f偏好{preferences}请按JSON格式输出} ] resp requests.post(https://api.deepseek.com/chat/completions, json{model: deepseek-chat, messages: prompt}, headers{Authorization: fBearer {api_key}}, timeout120)7.3行程管理API系统实现了完整的行程管理功能包括保存、查看、导出、分享和协作编辑。行程保存时同时创建版本历史记录支持回溯到任意历史版本。分享功能生成唯一分享码支持设置公开/私密权限。协作编辑支持邀请其他用户作为协作者editor 或 viewer 角色协作者可实时修改行程内容。导出功能生成 HTML 格式的行程单包含景点列表、地图占位和元信息。app.route(/api/trips, methods[POST]) def create_trip(): data request.json or {} conn get_db(); c conn.cursor() c.execute(INSERT INTO trips (user_id, title, city, days, budget_level, content, share_code, is_public) VALUES (?, ?, ?, ?, ?, ?, ?, ?), (user[id], data[title], data[city], data[days], data[budget_level], data[content], generate_share_code(), 0)) trip_id c.lastrowid # 创建初始版本 c.execute(INSERT INTO trip_versions (trip_id, version, content) VALUES (?, 1, ?), (trip_id, data[content])) conn.commit(); conn.close() return ok({trip_id: trip_id}) app.route(/api/trips/int:trip_id/collaborators, methods[POST]) def trip_add_collaborator(trip_id): # 只有行程所有者可以添加协作者 data request.json or {} target_email data.get(email) role data.get(role, editor) # 查找目标用户并添加到 trip_collaborators 表7.4社交功能系统实现了基础的社交功能。用户可以关注其他用户关注后可在社交动态页面查看被关注用户的公开行程。社交动态时间线按时间倒序排列展示行程标题、城市、天数、点赞数和评论数。用户可以对公开行程点赞和评论形成轻量级的旅行社区氛围。app.route(/api/social/feed) def social_feed(): current _check_auth() conn get_db(); c conn.cursor() c.execute(SELECT t.*, u.username, COALESCE(t.like_count,0) as like_count, COALESCE(t.comment_count,0) as comment_count FROM trips t JOIN users u ON t.user_id u.id WHERE t.user_id IN (SELECT following_id FROM friends WHERE user_id ?) AND t.is_public 1 ORDER BY t.created_at DESC LIMIT 50, (current[id],)) feed [dict(zip([d[0] for d in c.description], r)) for r in c.fetchall()] conn.close() return ok({feed: feed, total: len(feed)})7.5配置状态API/api/config/status 接口返回系统配置全景包括外部 API 状态百度地图、DeepSeek、和风天气等是否已配置密钥、内部 API 列表路径、方法、描述以及缓存后端类型。该接口帮助管理员快速了解系统依赖配置情况和可用功能。8. 界面实现8.1 前端架构前端采用 Vue.js 3 Composition API Vite Element Plus单页应用架构15个路由全部懒加载。HTTP 请求通过 axios 统一封装配置请求拦截器自动附加用户 ID。支持中/繁/英三语国际化通过自定义 i18n 模块维护 UI 文本字典。8.2 智能推荐页面参考 pitravel.cn 风格采用大标题搜索区域设计。顶部想去哪个目的地引导文案圆角搜索框支持回车触发下方热门城市快捷按钮带 emoji 图标底部精选行程卡片网格展示点击跳转规划页。8.3 旅行规划页面左右分栏布局。左侧配置面板省份-城市级联选择器、行程天数快捷按钮1/2/3/4/5/7天、旅行偏好标签自然风光/历史文化/美食探索等。点击AI生成行程调用 DeepSeek API右侧时间轴展示每日行程含景点图片、名称、建议时长和地址。8.4 我的行程页面展示用户保存的所有行程支持查看详情、导出为 HTML 行程单、生成分享链接、邀请协作者。行程详情页显示版本历史可回溯到任意历史版本。8.5 可视化大屏深色主题ECharts 渲染城市 TOP15 柱状图、省份分布条形图、评分分布饼图、美食菜系 TOP10、中国地图散点图气泡大小表示景点密度支持缩放和漫游。8.6 系统界面展示以下为各功能模块界面截图系统首页:景点数据:美食数据智能推荐:旅行规划:AI对话:多模态交互:出行服务可视化大屏:机器学习本地文化我的行程:我的账户9. 系统部署与运行系统需要 Python 3.9 和 Node.js 18。后端依赖pip install flask flask-cors pandas openpyxl requests。前端依赖cd frontend npm install。# 终端1启动后端python 11李金灵.py # [SCENIC] 景点数据加载完成6121条 # Running on http://127.0.0.1:5000# 终端2启动前端cd frontend npm run dev # Local: http://localhost:5173/10. 视频展示视频展示系统完整功能流程首页浏览、景点筛选、智能推荐、行程生成、AI对话、多模态交互、可视化大屏、行程管理与协作。系统演示视频:旅游11. AI使用说明AI辅助范围代码生成、算法设计咨询、UI设计参考、Bug调试。迭代过程1引入DeepSeek实现AI行程生成2参考pitravel.cn完善界面3引入SA/GA优化行程编排4增加疲劳度、开放时间、实时拥堵约束5增加行程版本管理和协作编辑功能。展示部分12. 总结本文设计实现 TripMaster Pro 智能旅行规划系统整合多源旅游数据构建完整的后端服务基础设施连接池、读写分离、缓存、监控基于模拟退火与遗传算法实现智能行程优化集成开放时间过滤、实时拥堵评估与疲劳度模型接入DeepSeek大模型实现AI行程生成与智能对话支持行程版本管理、协作编辑、社交分享与导出以及语音交互、图片识别等多模态能力。系统采用前后端分离架构界面简洁美观功能丰富实用。未来方向引入深度强化学习、接入实时交通数据、扩展多语言支持、精细化用户画像。
基于vue多维数据融合与混合推荐算法的智能旅行规划系统设计与实现
摘要随着国内旅游市场的持续增长用户面临信息过载、行程规划耗时、个性化推荐缺失等问题。本文设计并实现了 TripMaster Pro 智能旅行规划系统以 Python Flask 为后端框架Vue.js 3 Element Plus 为前端技术栈整合全国景点数据 6121 条、美食数据 6150 条、住宿数据 1364 条及非物质文化遗产数据构建了涵盖数据展示、智能推荐、行程规划、可视化分析、AI 对话、多模态交互等功能的综合性旅游服务平台。在智能行程优化方面系统采用模拟退火算法和遗传算法实现行程编排根据问题规模自动选择最优求解策略并集成用户疲劳度模型约束行程强度支持体弱、正常、运动员三种体能等级预设确保生成的行程既丰富又可持续。系统接入 DeepSeek 大模型 API通过精心设计的提示词工程实现 AI 智能行程生成和自然语言对话当大模型服务不可用时自动降级到本地模板回复保证服务可用性。在数据处理方面系统采用 SQLite 作为主数据库通过连接池管理和 WAL 模式优化提升并发性能针对携程采集数据中价格格式多样的问题设计了专门的价格解析与类型推断函数。前端采用前后端分离架构通过 Vite 代理实现跨域转发使用 ECharts 实现可视化大屏支持语音识别和图片识别等多模态交互能力。关键词智能旅行规划模拟退火遗传算法DeepSeek 大模型疲劳度模型多模态交互1.案例背景近年来国内旅游市场持续增长2024年国内旅游人次已超过60亿。然而用户面临信息过载、行程规划耗时、个性化推荐缺失、协作分享不便等问题。现有平台大多仅提供静态信息展示缺乏智能化行程编排、实时数据感知和多人协作能力。本文设计 TripMaster Pro 系统以数据驱动决策、智能赋能旅行为理念整合多源旅游数据构建完整的后端服务基础设施连接池、缓存、监控采用模拟退火与遗传算法实现智能行程优化集成开放时间、实时拥堵、疲劳度等多维约束接入 DeepSeek 大模型提供 AI 能力支持行程的版本管理、协作编辑与社交分享以及语音交互、图片识别等多模态交互。技术栈后端 Python Flask SQLite连接池 WAL 读写分离前端 Vue.js 3 Element Plus Vite可视化 ECharts地图百度地图 APIAI 服务 DeepSeek API。2.数据提取系统的数据来源主要包括四个部分1景点数据通过编写网络爬虫从携程网采集全国 A 级景区信息共计 6121 条记录包含景区名称、所在城市、景区类型、等级、评分、门票价格、经纬度坐标、景点介绍、图片 URL 等字段2美食数据通过爬虫从携程网采集全国各地特色美食信息共计 6150 条记录包含美食名称、所属城市、菜系分类、口味特点、推荐店铺、人均消费等字段3住宿数据通过爬虫从携程网采集酒店列表信息共计 1364 条酒店记录包含酒店名称、所在城市、星级、评分、价格、地址等字段。地理坐标数据通过调用百度地图 API 进行地理编码确保所有位置信息的真实性和准确性。4非遗数据国家级非物质文化遗产项目信息采用多工作表 Excel 格式包含项目信息、传承人信息和统计分析数据。数据采集采用公开数据集 网络采集 第三方API的多源融合策略。对于地理坐标数据系统调用百度地图 API 进行地理编码将景区名称转换为经纬度坐标确保所有位置信息的真实性和准确性而非随机生成或估算。3.项目文件介绍系统的后端主程序为 11李金灵.py采用 Python Flask 框架编写是整个系统的服务端核心集成了数据加载、数据库操作、优化算法、AI接口调用及100余个 RESTful API 接口。前端项目位于 frontend/ 目录下基于 Vue.js 3 Vite Element Plus 构建。数据文件包括四个 Excel 文件scenic_spots.xlsx景点数据、food_data.xlsx美食数据、携程-酒店列表信息采集.xlsx住宿数据、ProvICH_China_2005-2024.xls非遗数据。数据库文件 tripmaster.db 为 SQLite 主数据库系统启动时自动创建。.env 文件存储百度地图、DeepSeek、和风天气等第三方服务的 API 密钥。4.数据处理4.1 数据加载与清洗系统启动时自动读取所有 Excel 数据文件。景点和美食数据通过 pandas 批量读取使用 astype(object).where(pd.notnull(df), None) 将 NaN 统一转为 Python None避免数据库类型错误。住宿数据使用 openpyxl 逐行读取因携程采集的价格格式复杂多样如¥120、100元/晚、起需要在读取过程中实时调用价格解析函数处理。加载完成后数据同时写入 SQLite 和保留在内存中数据库支持复杂查询内存数据用于前端高频筛选和地图渲染。def load_scenic_spots(): df pd.read_excel(os.path.join(APP_ROOT, scenic_spots.xlsx)) df df.astype(object).where(pd.notnull(df), None) _SCENIC_SPOTS df.to_dict(records) print(f[SCENIC] 景点数据加载完成{len(_SCENIC_SPOTS)}条)4.2 价格解析与类型推断携程采集的住宿数据中价格字段格式多样系统设计了分层解析策略先去除¥元起等前后缀再尝试浮点数转换失败则返回 None。酒店类型根据星级和标签规则推断如五星推断为五星级豪华推断为豪华型默认返回舒适型。def _parse_price(val): if val is None: return None s str(val).strip().replace(起,).replace(元,).replace(¥,) try: return float(s.strip()) except ValueError: return None def _infer_hotel_type(star, tags): if 豪华 in str(star): return 豪华型 if 五星 in str(star): return 五星级 if 民宿 in str(tags).lower(): return 民宿 return 舒适型4.3 数据库表结构系统采用 SQLite 作为主数据库设计了完整的数据库架构。核心表包括scenic_spots景点信息含人气热度、扩展字段、users用户账号、favorites收藏记录、user_interactions交互记录、trips行程计划含分享码、公开状态、trip_versions行程版本历史、trip_collaborators行程协作者、api_logsAPI请求日志、slow_queries慢查询记录、error_alerts错误告警等。系统通过 DBIndexManager 自动维护索引通过 DBBackupManager 实现定时全量备份。CREATE TABLE scenic_spots ( id INTEGER PRIMARY KEY AUTOINCREMENT, name TEXT NOT NULL, city TEXT, type TEXT, latitude REAL, longitude REAL, rating REAL, price REAL, visit_time INTEGER, level TEXT, description TEXT, tags TEXT, popularity REAL, is_active INTEGER DEFAULT 1, extra TEXT DEFAULT {} ); CREATE INDEX idx_city ON scenic_spots(city); CREATE INDEX idx_type ON scenic_spots(type); CREATE INDEX idx_rating ON scenic_spots(rating); CREATE TABLE trips ( id INTEGER PRIMARY KEY AUTOINCREMENT, user_id INTEGER, title TEXT, city TEXT, days INTEGER, budget_level TEXT, content TEXT, share_code TEXT UNIQUE, is_public INTEGER DEFAULT 0, like_count INTEGER DEFAULT 0, created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP ); CREATE TABLE trip_versions ( id INTEGER PRIMARY KEY AUTOINCREMENT, trip_id INTEGER, version INTEGER, content TEXT, created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP, FOREIGN KEY (trip_id) REFERENCES trips(id) ON DELETE CASCADE ); CREATE TABLE trip_collaborators ( id INTEGER PRIMARY KEY AUTOINCREMENT, trip_id INTEGER, user_id INTEGER, role TEXT DEFAULT editor, invited_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP, FOREIGN KEY (trip_id) REFERENCES trips(id) ON DELETE CASCADE, UNIQUE(trip_id, user_id) );5.后端服务基础设施5.1数据库连接池SQLite 默认单线程高并发下易出现数据库被锁定错误。系统实现 DBConnectionPool 连接池初始化时创建5个连接放入队列通过上下文管理器实现借还管理确保连接在任何情况下正确归还。同时开启 WAL 模式写操作分离到独立日志文件支持读写并发、同步模式设为 NORMAL、缓存大小设为64MB显著提升并发性能。class DBConnectionPool: def __init__(self, db_path, pool_size5): self._pool queue.Queue(maxsizepool_size) for _ in range(pool_size): conn sqlite3.connect(db_path, check_same_threadFalse) conn.execute(PRAGMA journal_modeWAL) conn.execute(PRAGMA synchronousNORMAL) conn.execute(PRAGMA cache_size-64000) self._pool.put(conn) contextmanager def get_connection(self): conn self._pool.get(timeout10) try: yield conn finally: self._pool.put(conn)5.2读写分离系统实现 DBReadWriteSplitter 读写分离管理器。写操作使用主库WAL模式读操作优先使用只读副本副本通过 sqlite3 的 backup 方法从主库同步同步间隔60秒。当副本不可用时自动回退到主库读保证服务连续性。class DBReadWriteSplitter: def __init__(self, db_path): self.db_path db_path self._read_replica_path db_path .replica self._sync_interval 60 def _sync_to_replica(self): source sqlite3.connect(self.db_path, timeout30) dest sqlite3.connect(self._read_replica_path, timeout30) source.backup(dest) dest.close(); source.close() def get_read_connection(self): if self.should_sync(): self._sync_to_replica() try: return sqlite3.connect( ffile:{self._read_replica_path}?modero, uriTrue) except: return sqlite3.connect(self.db_path) # 回退主库5.3缓存引擎系统实现 CacheEngine 缓存引擎采用多层缓存策略第一层为内存 LRU 缓存基于 OrderedDict默认容量1000条第二层为 SQLite 持久化缓存第三层为 Redis 分布式缓存可选。缓存支持 TTL生存时间和版本号管理当数据更新时自动使旧缓存失效。景点数据、地图 API 结果、DeepSeek 响应等高频数据均通过缓存加速。class CacheEngine: def __init__(self, backendMemoryLRU, capacity1000): self.backend backend self._memory_cache OrderedDict() self._capacity capacity self._db_cache_table cache_entries def get(self, key): if key in self._memory_cache: self._memory_cache.move_to_end(key) return self._memory_cache[key][value] # 回退到数据库缓存 return self._get_from_db(key) def set(self, key, value, ttl300): if len(self._memory_cache) self._capacity: self._memory_cache.popitem(lastFalse) self._memory_cache[key] {value: value, expires: time.time()ttl}5.4集中式日志与性能监控系统构建 CentralizedLogStore 集中式日志存储记录所有 API 请求时间、方法、路径、用户ID、响应耗时、状态码自动识别慢查询超过500ms并记入 slow_queries 表。ErrorAlertManager 捕获系统异常并生成告警支持严重等级分级和确认标记。PerformanceMonitor 统计各接口的 QPS、P50/P95/P99 延迟、错误率等指标为性能调优提供数据支撑。class CentralizedLogStore: def log_api(self, method, path, user_id, duration_ms, status_code): conn get_db(); c conn.cursor() c.execute(INSERT INTO api_logs (ts,method,path,user_id,duration_ms,status_code) VALUES (?,?,?,?,?,?), (datetime.now().isoformat(), method, path, user_id, duration_ms, status_code)) conn.commit(); conn.close() class PerformanceMonitor: def record(self, path, duration_ms): self._stats[path][count] 1 self._stats[path][total_ms] duration_ms if duration_ms self._stats[path][max_ms]: self._stats[path][max_ms] duration_ms6.模型原理6.1模拟退火行程优化模拟退火算法SA灵感来源于金属退火过程通过温度参数控制搜索行为。系统将景点坐标作为搜索空间以行程总成本为目标函数综合考虑交通距离Haversine公式、游览时间、门票费用、疲劳度累积、开放时间合规性和实时拥堵惩罚六个因素。增强版 SA 新增了开放时间过滤若指定了开始日期系统调用 ScenicOpenHours 过滤掉全程闭馆的景点同时集成实时拥堵数据从 TrafficCongestion 服务获取景点热度评分和人群密度等级在成本函数中对高拥堵景点施加额外惩罚。参数设置初始温度100度冷却速率0.995最大迭代2000次。class SimulatedAnnealingOptimizer: INITIAL_TEMP 100.0; COOLING_RATE 0.995; MAX_ITER 2000 def _get_scenic_points(self, city, preferences, start_dateNone, days1): points [...] # 开放时间过滤 if start_date: available, unavailable ScenicOpenHours.filter_available_scenics( [p[name] for p in points], start_date, days) points [p for p in points if p[name] in available] return points[:15] def _calculate_route_cost(self, route, fatigue_model, start_dateNone): total_time total_distance total_cost total_fatigue 0 congestion_penalty open_time_violations 0 for i, point in enumerate(route): total_time point.get(visit_time, 3) * 60 total_cost point.get(price, 0) total_fatigue fatigue_model.calculate_activity_fatigue( point.get(visit_time, 2), point.get(type)) # 实时拥堵惩罚 traffic self._get_realtime_traffic(point[name]) if traffic[crowd_level] high: congestion_penalty 30 if i len(route) - 1: total_distance self._haversine(point, route[i1]) return total_time total_distance*10 total_cost total_fatigue*2 congestion_penalty6.2遗传算法行程优化遗传算法GA通过选择、交叉、变异三种遗传操作在多代种群中搜索最优解。染色体编码由景点排列顺序和天分隔断点两部分组成。适应度函数采用奖励高分景点、惩罚过度疲劳策略同时引入开放时间奖励景点在游览日开放的给予加分和拥堵惩罚高拥堵景点扣分。参数种群50个个体进化100代交叉率0.8变异率0.15。当景点数超过10个且天数不少于3天时自动选择 GA。class GeneticAlgorithmOptimizer: POPULATION_SIZE 50; MAX_GENERATIONS 100 CROSSOVER_RATE 0.8; MUTATION_RATE 0.15 def _fitness(self, chromosome, fatigue_model, start_dateNone): day_routes self._decode(chromosome) total_rating open_time_bonus total_penalty 0 for route in day_routes: for pt in route: total_rating pt[rating] # 开放时间奖励 if start_date and ScenicOpenHours.is_open(pt[name], start_date): open_time_bonus 5 fatigue fatigue_model.calculate_activity_fatigue( pt.get(visit_time,2), pt.get(type)) if fatigue fatigue_model.max_daily_fatigue * 0.5: total_penalty fatigue return total_rating * 10 open_time_bonus - total_penalty6.3智能行程编排调度器系统设计了 SmartItineraryPlanner 智能调度器根据问题规模自动选择最优算法。小规模问题景点少于10个、天数少于3天采用模拟退火收敛快、内存占用小大规模问题采用遗传算法搜索能力强、全局性好。用户也可手动指定算法覆盖自动判断。class SmartItineraryPlanner: def plan(self, city, days, budget, preferences, algorithmauto): if algorithm auto: points_count len(self._get_scenic_points(city, preferences)) if points_count 10 and days 3: algorithm ga else: algorithm sa if algorithm ga: return self.ga.optimize(city, days, budget, preferences) else: return self.sa.optimize(city, days, budget, preferences)6.4用户疲劳度模型系统建立疲劳度约束模型将体力消耗纳入行程优化核心考量。定义三种体能预设体弱人士上限606小时、正常体能上限10010小时、运动员级上限15012小时。疲劳度计算考虑活动类型差异登山类系数1.5室内类系数0.8。模型与优化算法深度集成SA中总疲劳度纳入成本函数GA中超标疲劳产生惩罚。class FatigueModel: FITNESS_PRESETS { weak: {max_daily_fatigue: 60, max_daily_hours: 6, fatigue_factor: 1.6, prefer_flat: True}, normal: {max_daily_fatigue: 100, max_daily_hours: 10, fatigue_factor: 1.0, prefer_flat: False}, athletic:{max_daily_fatigue: 150, max_daily_hours: 12, fatigue_factor: 0.7, prefer_flat: False}, } def calculate_activity_fatigue(self, hours, activity_type): base hours * 15 if activity_type in (mountain, hiking): base * 1.5 elif activity_type in (museum, indoor): base * 0.8 return base6.5景点开放时间管理ScenicOpenHours 模块维护各景点的开放时间表支持常规营业时间、季节性调整和特殊闭馆日。在行程规划时系统根据用户选择的开始日期和行程天数过滤掉全程闭馆的景点并在遗传算法的适应度函数中对开放景点给予奖励分确保生成的行程中每个景点在游览日均可进入。6.6 实时拥堵评估TrafficCongestion 模块通过实时特征服务获取景点的热度评分heat_score和点击率ctr将人群密度划分为低、中、高三个等级。在模拟退火的成本函数中高拥堵景点额外增加30点惩罚引导算法优先选择人流较少的时段或景点提升用户的实际游览体验。7.模型设计与实现7.1统一响应与错误处理系统定义统一错误码ERR_OK0、ERR_PARAMS400、ERR_UNAUTHORIZED401、ERR_NOT_FOUND404、ERR_INTERNAL500、ERR_TIMEOUT504和响应格式code、success、message、data、timestamp。错误响应包含 trace_id便于前后端联调时快速定位问题。def ok(dataNone, message成功): return jsonify({code: 0, success: True, message: message, data: data, timestamp: int(time.time())}) def err(messageNone, code500): msg message or ERROR_MESSAGES.get(code, 未知错误) return jsonify({code: code, message: msg, trace_id: hashlib.md5(f{time.time()}{code}.encode()).hexdigest()[:12], timestamp: int(time.time())}), 5007.2DeepSeek大模型集成系统接入 DeepSeek API 实现 AI 行程生成和自然语言对话。行程生成通过 Prompt Engineering 设计结构化提示词以资深中国旅游规划师角色指令引导输出 JSON 格式行程含标题和每日主题及景点列表。API 调用设置 120 秒超时失败时自动降级到本地模板回复。对话接口取最近10轮消息作为上下文避免超出模型上下文窗口限制。缓存引擎缓存 DeepSeek 响应相同查询直接返回缓存结果降低 API 调用成本。# AI行程生成 prompt [ {role: system, content: 你是资深中国旅游规划师}, {role: user, content: f请为游客定制【{destination}{days}日游】行程 f偏好{preferences}请按JSON格式输出} ] resp requests.post(https://api.deepseek.com/chat/completions, json{model: deepseek-chat, messages: prompt}, headers{Authorization: fBearer {api_key}}, timeout120)7.3行程管理API系统实现了完整的行程管理功能包括保存、查看、导出、分享和协作编辑。行程保存时同时创建版本历史记录支持回溯到任意历史版本。分享功能生成唯一分享码支持设置公开/私密权限。协作编辑支持邀请其他用户作为协作者editor 或 viewer 角色协作者可实时修改行程内容。导出功能生成 HTML 格式的行程单包含景点列表、地图占位和元信息。app.route(/api/trips, methods[POST]) def create_trip(): data request.json or {} conn get_db(); c conn.cursor() c.execute(INSERT INTO trips (user_id, title, city, days, budget_level, content, share_code, is_public) VALUES (?, ?, ?, ?, ?, ?, ?, ?), (user[id], data[title], data[city], data[days], data[budget_level], data[content], generate_share_code(), 0)) trip_id c.lastrowid # 创建初始版本 c.execute(INSERT INTO trip_versions (trip_id, version, content) VALUES (?, 1, ?), (trip_id, data[content])) conn.commit(); conn.close() return ok({trip_id: trip_id}) app.route(/api/trips/int:trip_id/collaborators, methods[POST]) def trip_add_collaborator(trip_id): # 只有行程所有者可以添加协作者 data request.json or {} target_email data.get(email) role data.get(role, editor) # 查找目标用户并添加到 trip_collaborators 表7.4社交功能系统实现了基础的社交功能。用户可以关注其他用户关注后可在社交动态页面查看被关注用户的公开行程。社交动态时间线按时间倒序排列展示行程标题、城市、天数、点赞数和评论数。用户可以对公开行程点赞和评论形成轻量级的旅行社区氛围。app.route(/api/social/feed) def social_feed(): current _check_auth() conn get_db(); c conn.cursor() c.execute(SELECT t.*, u.username, COALESCE(t.like_count,0) as like_count, COALESCE(t.comment_count,0) as comment_count FROM trips t JOIN users u ON t.user_id u.id WHERE t.user_id IN (SELECT following_id FROM friends WHERE user_id ?) AND t.is_public 1 ORDER BY t.created_at DESC LIMIT 50, (current[id],)) feed [dict(zip([d[0] for d in c.description], r)) for r in c.fetchall()] conn.close() return ok({feed: feed, total: len(feed)})7.5配置状态API/api/config/status 接口返回系统配置全景包括外部 API 状态百度地图、DeepSeek、和风天气等是否已配置密钥、内部 API 列表路径、方法、描述以及缓存后端类型。该接口帮助管理员快速了解系统依赖配置情况和可用功能。8. 界面实现8.1 前端架构前端采用 Vue.js 3 Composition API Vite Element Plus单页应用架构15个路由全部懒加载。HTTP 请求通过 axios 统一封装配置请求拦截器自动附加用户 ID。支持中/繁/英三语国际化通过自定义 i18n 模块维护 UI 文本字典。8.2 智能推荐页面参考 pitravel.cn 风格采用大标题搜索区域设计。顶部想去哪个目的地引导文案圆角搜索框支持回车触发下方热门城市快捷按钮带 emoji 图标底部精选行程卡片网格展示点击跳转规划页。8.3 旅行规划页面左右分栏布局。左侧配置面板省份-城市级联选择器、行程天数快捷按钮1/2/3/4/5/7天、旅行偏好标签自然风光/历史文化/美食探索等。点击AI生成行程调用 DeepSeek API右侧时间轴展示每日行程含景点图片、名称、建议时长和地址。8.4 我的行程页面展示用户保存的所有行程支持查看详情、导出为 HTML 行程单、生成分享链接、邀请协作者。行程详情页显示版本历史可回溯到任意历史版本。8.5 可视化大屏深色主题ECharts 渲染城市 TOP15 柱状图、省份分布条形图、评分分布饼图、美食菜系 TOP10、中国地图散点图气泡大小表示景点密度支持缩放和漫游。8.6 系统界面展示以下为各功能模块界面截图系统首页:景点数据:美食数据智能推荐:旅行规划:AI对话:多模态交互:出行服务可视化大屏:机器学习本地文化我的行程:我的账户9. 系统部署与运行系统需要 Python 3.9 和 Node.js 18。后端依赖pip install flask flask-cors pandas openpyxl requests。前端依赖cd frontend npm install。# 终端1启动后端python 11李金灵.py # [SCENIC] 景点数据加载完成6121条 # Running on http://127.0.0.1:5000# 终端2启动前端cd frontend npm run dev # Local: http://localhost:5173/10. 视频展示视频展示系统完整功能流程首页浏览、景点筛选、智能推荐、行程生成、AI对话、多模态交互、可视化大屏、行程管理与协作。系统演示视频:旅游11. AI使用说明AI辅助范围代码生成、算法设计咨询、UI设计参考、Bug调试。迭代过程1引入DeepSeek实现AI行程生成2参考pitravel.cn完善界面3引入SA/GA优化行程编排4增加疲劳度、开放时间、实时拥堵约束5增加行程版本管理和协作编辑功能。展示部分12. 总结本文设计实现 TripMaster Pro 智能旅行规划系统整合多源旅游数据构建完整的后端服务基础设施连接池、读写分离、缓存、监控基于模拟退火与遗传算法实现智能行程优化集成开放时间过滤、实时拥堵评估与疲劳度模型接入DeepSeek大模型实现AI行程生成与智能对话支持行程版本管理、协作编辑、社交分享与导出以及语音交互、图片识别等多模态能力。系统采用前后端分离架构界面简洁美观功能丰富实用。未来方向引入深度强化学习、接入实时交通数据、扩展多语言支持、精细化用户画像。
