项目5
PROJECT 5


基于排队时间预测的智能
导航推荐系统



本项目采用百度地图API获取步行时间，基于GBDT模型对排队时间进行预测。实现用户自主选择多个目的地，系统输出最佳路线规划的结果，并根据用户的选择给出智能化推荐。
5.1总体设计
本部分包括系统整体结构和系统流程。
5.1.1系统整体结构
系统整体结构如图51所示。



图51系统整体结构

5.1.2系统流程
系统流程如图52所示，路径规划流程如图53所示，计算路径耗时流程如图54所示。






图52系统流程




图53路径规划流程



图54计算路径耗时流程

5.2运行环境
本部分包括Python环境和Scikitlearn环境。
5.2.1Python环境

需要Python 3.6及以上配置，在Windows环境下推荐下载Anaconda完成Python所需的配置，下载地址为https://www.anaconda.com/，也可下载虚拟机在Linux环境下运行代码。
5.2.2Scikitlearn环境
安装CPU版本的Scikitlearn： pip install U ignoreinstalled scikitlearn，或者从Anaconda环境中直接搜索scikitlearn包进行下载、安装。
5.3模块实现
本项目包括6个模块： 数据预处理、客流预测、百度地图API调用、GUI界面设计、路径规划和智能推荐，下面分别给出各模块的功能介绍及相关代码。
5.3.1数据预处理

数据集链接地址为https://pan.baidu.com/s/1vRsr_ur7fgtSz7GHzlALSw 密码： x1r4。

乘车刷卡交易数据表train_data使用城市： use_city、线路名称： line_name、刷卡终端ID： terminal_id、卡片ID： card_id、发卡地： create_city、交易时间： deal_time、卡类型： card_type。

公交线路信息表line_desc线路名称： line_name、线路站点数量： stop_cnt、线路类型： _line_type。

广州市天气状况信息表weather_report，日期： data_time、天气状况： weather、气温： temperature、风向风力： wind_direction_force。
1. 加载数据集
使用DealTrainData.py程序加载数据集，初步查看数据集中所有项，以便后续选择需要的项作为特征，相关代码如下： 

import pandas as pd

#乘车刷卡交易数据表

train_data = pd.read_csv('C:/Users/99509/Desktop/信息系统设计/data/gd_train_data.txt',header=None,names=［'use_city','line_name','terminal_id','card_id','create_city','deal_time','card_type'］)

#公交线路信息表

line_desc = pd.read_csv('C:/Users/99509/Desktop/信息系统设计/data/gd_line_desc.txt',header=None,names=［'line_name','stop_cnt','line_type'］)

#广州市天气状况信息表

weather_report = pd.read_csv('C:/Users/99509/Desktop/信息系统设计/data/gd_weather_report.txt',header=None,names=［'data','weather','temperature','wind_direction_force'］)

#虽然公交线路数据表中有21条线路，但是数据集只包含2条线路的详细数据

print(train_data)

初始train_data数据如图55所示。

print(line_desc)



图55初始train_data数据

初始line_desc数据如图56所示。

print(weather_report)



图56初始line_desc数据

初始weather_report数据如图57所示。


图57初始weather_report数据

2. 时间划分与保存
将deal_time按小时划分并保存，程序为DealTrainData.py，分别将线路6和线路11按小时划分，并保存至表格，相关代码如下： 

for i in ［'线路6', '线路11'］:

train_data_lineX = train_data［train_data［'line_name'］ == i］ 

#取原始乘车表中对应线路符合的数据 

#把交易数据的日期和小时分成两个字段

train_data_lineX［'date'］ = train_data_lineX［'deal_time'］.apply(lambda x: str(x).split(' ')［0］)

#日期

train_data_lineX［'time'］ = train_data_lineX［'deal_time'］.apply(lambda x: int(str(x).split(' ')［1］.split(':')［0］)) #小时

train_data_lineX_date_time = train_data_lineX.drop('deal_time', axis=1, inplace=False) #删除原始交易时间元素 

#取交易时间在6~21点的数据

train_data_lineX_date_time_06 = train_data_lineX_date_time［6 <= train_data_lineX_date_time［'time'］］

train_data_lineX_date_time_06_21 = train_data_lineX_date_time_06［train_data_lineX_date_time_06［'time'］ <= 21］

#数据按小时划分并累计单位小时内客流量

lineX_passenger_hour = DataFrame(train_data_lineX_date_time_06_21.groupby(［'date', 'time'］).count()［'card_id'］).reset_index()

#保存最终所需数据

if i == '线路6':

lineX_passenger_hour.to_csv('C:/Users/99509/Desktop/信息系统设计/data/line6_passenger_hour.csv', header=1, index=0, encoding='utf-8')

if i == '线路11':

lineX_passenger_hour.to_csv('C:/Users/99509/Desktop/信息系统设计/data/line11_passenger_hour.csv', header=1, index=0, encoding='utf-8')

按小时划分后的客流数据如图58所示。


图58按小时划分后的客流数据

3. 处理天气预报数据
使用程序DealWeatherData.py将天气预报数据集中的天气weather、温度temperature、风力风向wind_direction_force数字标准化。

将天气按照以下方式划分并一一映射： 晴： 0，多云： 1，阴： 2，小雨： 3，小到中雨： 4，中雨： 5，中到大雨： 6，大雨： 7，大到暴雨： 8，霾： 9，阵雨： 10，雷阵雨： 11，取平均值作为特征。

将风力风向按照以下方式映射： 无持续风向≤3级： 0，无持续风向微风转3~4级： 1，北风微风转3~4级： 1，东北风3~4级： 2，北风3~4级： 2，东南风3~4级： 2，东风4~5级： 3，北风4~5级： 3，求平均值作为特征。
相关代码如下： 

#日期标准化 eg： '10/10'转换为'10'，'10'  '1/1'转换为'01','01'

def changeDate(date):

dateList = date.split('/')

if int(dateList［1］) < 10:

month = '0' + dateList［1］

else:

month = dateList［1］

if int(dateList［2］) < 10:

day = '0' + dateList［2］

else:

day = dateList［2］

return dateList［0］ + month + day

#转换天气预报数组中的日期格式

weather_report［'datestr'］ = weather_report［'date'］.apply(lambda x: changeDate(x))

#将相应字段分开

weather_report［'weather_d'］ = weather_report［'weather'］.apply(lambda x: x.split('/')［0］)

#白天

weather_report［'weather_n'］ = weather_report［'weather'］.apply(lambda x: x.split('/')［1］) 

#晚上

weather_report［'temperature_h'］ = weather_report［'temperature'］.apply(lambda x: int(re.sub(r'＼D', '', x.split('/')［0］))) #最高温

weather_report［'temperature_l'］ = weather_report［'temperature'］.apply(lambda x: int(re.sub(r'＼D', '', x.split('/')［1］))) #最低温

weather_report［'wind_direction_force_d'］ = weather_report［'wind_direction_force'］.apply(lambda x: x.split('/')［0］) 

#白天风向风力

weather_report［'wind_direction_force_n'］ = weather_report［'wind_direction_force'］.apply(lambda x: x.split('/')［1］) 

#晚上风向风力

weather_report［'temperature_average'］ = (weather_report［'temperature_h'］ + weather_report［'temperature_l'］) / 2.0 #平均温度

weather_report［'temperature_abs'］ = abs(weather_report［'temperature_h'］ - weather_report［'temperature_l'］) #温差

#降低风向影响，着重考虑风力影响，按照以下形式将风力、风向数字化

print(pd.concat(［weather_report［'wind_direction_force_d'］, weather_report［'wind_direction_force_n'］］,ignore_index=True).drop_duplicates()) #数组合并去冗余，得到所有的风力、风向

#种类


windmap = {'无持续风向≤3级': 0, '无持续风向微风转3~4级': 1, '北风微风转3~4级': 1, '东北风3~4级': 2, '北风3~4级': 2, '东南风3~4级': 2, '东风4~5级': 3,'北风4~5级': 3} 

#划分


weather_report［'wind_direction_force_d_map'］ = weather_report［'wind_direction_force_d'］.map(windmap) #将原始数据替换为标准化数据

weather_report［'wind_direction_force_n_map'］ = weather_report［'wind_direction_force_n'］.map(windmap) #将原始数据替换为标准化数据

weather_report［'wind_average'］ = (weather_report［'wind_direction_force_d_map'］ + weather_report［'wind_direction_force_n_map'］) / 2.0 #做风力、风向平均值

weather_report［'wind_abs'］ = abs(weather_report［'wind_direction_force_d_map'］ - weather_report［'wind_direction_force_n_map'］) #做风力、风向差

#将天气按照以下形式数字化

print(pd.concat(［weather_report［'weather_d'］, weather_report［'weather_n'］］, ignore_index=True).drop_duplicates()) 

#数据组合并去冗余，得到所有天气种类

weathermap = {'晴': 0, '多云': 1, '阴': 2, '小雨': 3, '小到中雨': 4, '中雨': 5, '中到大雨': 6, '大雨': 7, '大到暴雨': 8, '霾': 9, '阵雨': 10,'雷阵雨': 11}#划分

weather_report［'weather_d_map'］ = weather_report［'weather_d'］.map(weathermap)

#将原始数据替换为标准化数据

weather_report［'weather_n_map'］ = weather_report［'weather_n'］.map(weathermap)

#将原始数据替换为标准化数据

weather_report［'weather_average'］ = (weather_report［'weather_d_map'］ + weather_report［'weather_n_map'］) / 2.0 #做天气平均值

weather_report［'weather_abs'］ = abs(weather_report［'weather_d_map'］ - weather_report［'weather_n_map'］) #做天气差

#删除多余项，留下标准化日期、风力风向、风力风向均值、风力风向差、天气、天气均值、天气差

weather_report_result = weather_report.drop(［'date', 'weather', 'temperature', 'wind_direction_force', 'weather_d', 'weather_n', 'wind_direction_force_d','wind_direction_force_n'］, axis=1, inplace=False)

#输出

weather_report_result = weather_report_result.reset_index(drop=True) 

#重置索引

print(weather_report_result)

for i in range(len(weather_report_result)):

weather_report_result.loc［i, 'datestr'］ = pd.to_datetime(weather_report_result.loc［i, 'datestr'］,format='%Y%m%d').strftime('%Y-%m-%d') #将时间格式化为year-month-day

weather_report_result.to_csv('C:/Users/99509/Desktop/信息系统设计/data/weather_report_result.csv', header=0, index=0, encoding='utf-8')

天气预报处理后的数据如图59所示。


图59处理后的天气预报数据

4. 增加特征
使用程序TestDataResult.py增加是否为节假日和星期几的特征，相关代码如下： 

weather_report_data = pd.read_csv('C:/Users/99509/Desktop/信息系统设计/data/weather_report_result.csv', header=None,names=［'date', 'temperature_h', 'temperature_l', 'temperature_average', 'temperature_abs', 'wind_d_map', 'wind_n_map', 'wind_average', 'wind_abs', 'weather_d_map', 'weather_n_map', 'weather_average', 'weather_abs'］)

holiday = pd.read_csv('C:/Users/99509/Desktop/信息系统设计/data/date_holiday.txt', header=None, names=［'date', 'isholiday'］) 

#日期，是否是假期

testdate = pd.date_range('2014-12-25', '2014-12-31') #测试集日期范围： 2014.12.25-2014.12.31

#获得测试集完整日期时间范围

datetimelist = ［］

for idate in testdate:

datetime = pd.date_range(str(idate) + ' 6:00', str(idate) + ' 21:00', freq='H') 

#测试集时间范围： 6： 00~21： 00

datetimelist.append(DataFrame(datetime)) 

datetimeDf = pd.concat(datetimelist, ignore_index=True) #忽略索引连接数组

datetimeDf.columns = ［'datetime'］ #修改列名为datetime

datetimeDf［'date'］ = datetimeDf［'datetime'］.apply(lambda x: str(x).split(' ')［0］)

#分离出日期

datetimeDf［'time'］ = datetimeDf［'datetime'］.apply(lambda x: int(str(x).split(' ')［1］.split(':')［0］)) #分离出时间

datetimeDf_date_time = datetimeDf.drop('datetime', axis=1, inplace=False)

#保存测试所有时间段： 7天*15小时

#判断是否为节假日，数据预处理

for i in ［'6', '11'］:

lineX_passenger_hour_path = "C:/Users/99509/Desktop/信息系统设计/data/line%s_passenger_hour.csv" % i 

#得到线路6/11的训练集中每小时客流量的路径(因为%s在字符串中，所以%i表示用i替换s)

lineX_passenger_hour = pd.read_csv(lineX_passenger_hour_path) 

#得到线路6或11训练集中每小时的客流量

train_passenger_test = pd.concat(［lineX_passenger_hour, datetimeDf_date_time］, ignore_index=True) 

#连接测试集和训练集中线路6或11的每小时客流量

#取线路6或11的交集(得到完整数据： 日期、最高温、最低温、平均温度、温差、标准化白天风

#力风向、标准化夜晚风力风向、平均风力风向、风力风向差、标准化白天天气、标准化夜晚天气、

#平均天气、天气差、客流量)

test_data_weather = pd.merge(train_passenger_test, weather_report_data, on='date', how='left')

test_data_weather_holiday = pd.merge(test_data_weather, holiday, on='date', how='left') #测试集中节假日的数据

test_data_weather_holiday［'dayofweek'］ = test_data_weather_holiday［'date'］.apply(lambda x: pd.to_datetime(x).dayofweek) #添加是否为周末元素至测试集

5. 合并特征值
使用程序finaldata.py数据预处理最后一步，得到7项特征值(平均温度temperature_average、平均风力风向wind_average、平均天气weather_average、单位时间客流card_id、时间time、是否是节假日isholiday、星期几dayofweek)，将所有特征值放入一个表格内。相关代码如下： 

weather_report_data = pd.read_csv('C:/Users/99509/Desktop/信息系统设计/data/weather_report_result.csv', header=None,names=［'date', 'temperature_h','temperature_l','temperature_average','temperature_abs', 'wind_d_map','wind_n_map','wind_average','wind_abs','weather_d_map','weather_n_map','weather_average','weather_abs'］) #读取数据8.1~1.31 

line6_weather = weather_report_data［:146］ #读取数据8.1~12.24 (天)

line6_dateinfo = pd.read_csv('C:/Users/99509/Desktop/信息系统设计/data/line6_train_data_no_dum_scale.csv',header=None,names=［'card_id','date','time','temperature_h','temperature_l','temperature_average','temperature_abs', 'wind_d_map','wind_n_map','wind_average','wind_abs','weather_d_map','weather_n_map','weather_average','weather_abs', 'isholiday','dayofweek' ］) 

#读取数据8.1~12.24 (小时)

#print(line6_dateinfo)调试代码

line6_weather_date = pd.DataFrame()

line6_weather_date［'card_id'］=line6_dateinfo［'card_id'］.drop(0)

line6_weather_date［'time'］=line6_dateinfo［'time'］

line6_weather_date［'date'］=line6_dateinfo［'date'］

line6_weather_date［'isholiday'］=line6_dateinfo［'isholiday'］

line6_weather_date［'dayofweek'］=line6_dateinfo［'dayofweek'］

line6_weather_date_f=pd.merge(line6_weather,line6_weather_date)

line6_weather_date_final=line6_weather_date_f.drop(［'date', 'temperature_h','temperature_l','temperature_abs','wind_d_map','wind_n_map','wind_abs','weather_d_map','weather_n_map','weather_abs'］, axis=1,inplace=False)

line6_weather_date_final.to_csv('C:/Users/99509/Desktop/信息系统设计/修改/line6_weather_date_final.csv',header=1, index=0, encoding='utf-8')

所有特征数据如图510所示。


图510所有特征数据

5.3.2客流预测
选用GBDT建立模型。GBDT通过多轮迭代，每轮迭代产生一个弱分类器，每个分类器在上一轮的残差基础上进行训练。
用数据处理阶段准备好的特征和标签来训练模型，保存以便后续使用。同时，自定义损失函数，为预测数据可靠性后续调参提供保障。
采用GBDT模型进行预测，输入当前天气、温度、风力风向、日期(是否是节假日、星期几)和时间即可得出当前客流量。当前客流量在后续预测排队时做一系列操作即可转换为排队时间。
1. 创建并保存模型
使用程序gbdtmodel.py建立GBDT模型。

#建立GBDT模型

gbdt=ensemble.GradientBoostingRegressor(learning_rate=0.5, n_estimators=80, max_depth=3) 
#用GridSearchCV进行调参后确定的参数

#print(cross_val_score(gbdt, features, lables, scoring=score, cv=cv))

gbdt.fit(features, lables)

gbdt_model_path = "D:/~STUDY~/Grade3/信息系统设计/final_files/data/模型/gbdt_6.model" 

joblib.dump(gbdt, gbdt_model_path)

2. 损失函数
使用程序error.py自定义损失函数。

#损失函数： 偏差=|真实值-预测值|/真实值

def error(true_labels, predict_labels):

deviation = abs(true_labels - predict_labels) / true_labels

return deviation.mean()

3. 测试集测试
使用程序predict.py测试并得出损失函数。

#将12.25~12.31的数据当作测试集测试

line6_passenger_hour_test_path = "D:/~STUDY~/Grade3/信息系统设计/final_files/data/过程数据/line6_passenger_hour_test.csv" 

line_passenger_hour_test = pd.read_csv(line6_passenger_hour_test_path) 

test_labels = line_passenger_hour_test［'card_id'］ #得到测试集标签

gbdt_6_model_path = "D:/~STUDY~/Grade3/信息系统设计/final_files/data/模型/gbdt_6.model" 

gbdt_model = joblib.load(gbdt_6_model_path) #载入模型

test_data_path = "D:/~STUDY~/Grade3/信息系统设计/final_files/data/过程数据/test_line6_weather_date_final.csv" 

test_data = pd.read_csv(test_data_path)

features =test_data #得到测试集特征

gbdt_predict_labels = gbdt_model.predict(features) #预测

plt.plot(gbdt_predict_labels,label=u'predict_value')

plt.plot(test_labels,label=u'test_value')

plt.xlabel("No.") #xlabel、ylabel： 分别设置X、Y轴的标题文字

plt.ylabel("passenger crowding")

plt.legend(loc=0,ncol=2)

plt.show()

err = error(gbdt_predict_labels, test_labels) #得出损失函数

print('错误率为:'+str(err*100)+'%')

模型错误率如图511所示。


图511模型错误率

4. 自定义特征并预测
使用程序singlepredict.py自定义一个特征并预测。

#输入特征

test_data1=pd.DataFrame({'temperature_average':［20］,

'wind_average':［0］,

'weather_average':［6］,

 'time':［12］,

 'isholiday':［0］,

 'dayofweek':［1］})

features =test_data1

gbdt_predict_labels = gbdt_model.predict(features)  #预测

print(gbdt_predict_labels)

自定义特征测试输出结果如图512所示。


图512自定义测试输出结果


5.3.3百度地图API调用
一是申请密钥(AK)； 二是调用地址编码服务，获取每个地点的经纬度； 三是调用轻量级路线规划服务，获取任意两点之间的步行时间，最后获取输出。
1. 申请密钥
申请密钥网址为http://lbsyun.baidu.com，登录百度账号注册成为开发者，找到控制台→应用管理→我的应用，单击“创建应用”，如图513所示。


图513创建应用

依次输入应用名称、应用类型和启用服务，设置请求校验方式为IP白名单校验，设置IP白名单为0.0.0.0/0。
申请应用AK的详细信息如图514所示。


图514应用AK的详细信息

2. 地址编码服务
相关操作如下： 
(1) 地址编码服务是将结构化数据(如： 北京市海淀区西土城路10号)转换为对应坐标点(经纬度)的功能。
接口为http://api.map.baidu.com/geocoding/v3/?address=北京市海淀区西土城路10号&output=json&ak=您的ak&callback=showLocation，GET请求。
(2) 用熟知的场所确保精度满足需求，明确各参数含义。
(3) 获取所需经纬度，将每点的坐标写入文档。

#调用地址编码服务获取经纬度 getjingwei.py

import requests

import json

url = 'http://api.map.baidu.com/geocoding/v3/'

params = { 'address' : '北京欢乐谷-极速飞车',#输入地点 

'ak' : 'YdBcaxxxxxxxxxxxxxxxxxxxxxG', #百度密钥

'output': 'json'#输出结果设置为json格式

} 

res = requests.get(url,params)

jd = json.loads(res.text) #将json格式转化为Python字典

print(jd)

coords = jd［'result'］［'location'］

print(coords)

运行结果如图515所示。


图515运行结果

得到起点、终点坐标.xlsx文件，如图516所示。


图516起点、终点坐标

3. 轻量级路线规划服务
相关操作如下： 
(1) 支持驾车、骑行、步行、公交路线规划。根据起点、终点坐标(经纬度)可规划步行路线的耗时。接口地址为
http://api.map.baidu.com/routematrix/v2/walking?origin=40.01116,116.339303&destination=39.936404,116.452562&ak=您的AK，GET请求。
(2) 获取任意两点之间的步行时间，写入文档。

#调用轻量级路线规划服务获取步行时间getdistance.py

import pandas

import csv

import json

from urllib.request import urlopen

#原数据文件格式： 序号+起点纬度+起点经度+终点纬度+终点经度

origin_path = 'D:/~STUDY~/Grade3/信息系统设计/final_files/data/过程数据/起点终点坐标.xlsx'    #原始坐标文件路径

result_path = r'D:/~STUDY~/Grade3/信息系统设计/final_files/data/过程数据/walk_result_raw.csv'  #爬取数据文件保存路径 

#声明坐标格式,bd09ll(百度经纬度坐标);bd09mc(百度摩卡托坐标);gcj02(国测局加密坐标),


#WGS84坐标(GPS设备获取的坐标)

cod = r"&coord_type=bd09ll" 

#AK为从百度地图网站申请的密钥

AK = ［'YdBcxxxxxxxxxxxxxxxxxxxG',］

dfBase = pandas.read_excel(origin_path, names=［'序号','起点纬度','起点经度','终点纬度','终点经度'］)

dfBase.head()

dataList = ［］ #存储获取的路线数据

akn = 0  #使用第几个ak

for i in range(len(dfBase)):

print(i)

ak = AK［akn］

out_lat = dfBase.at［i,'起点纬度'］

out_lng = dfBase.at［i,'起点经度'］

des_lat = dfBase.at［i,'终点纬度'］

des_lng = dfBase.at［i,'终点经度'］

#获取步行路径

url_walk=r"http://api.map.baidu.com/routematrix/v2/walking?output=json&origins={0},{1}&destinations={2},{3}&{4}&tactics=11&ak={4}".format(out_lat,out_lng,des_lat,des_lng,ak)

result_walk = json.loads(urlopen(url_walk).read())  #json转dict

status_walk = result_walk［'status'］

print('ak密钥： {0} 获取步行路线状态码status： {1}'.format(ak, status_walk))

if status_walk == 0:  #状态码为0： 无异常

timesec_walk = result_walk［'result'］［0］［'duration'］［'value'］#耗时(秒)

elif status_walk == 302 or status_walk == 210 or status_walk == 201:

#302:额度不足;210:IP验证未通过

timesec_walk = 'AK错误'

akn += 1 

ak = AK［akn］ 

else:

timesec_walk = '请求错误'

dataList.append(［ak,status_walk,timesec_walk］)

dfAll = pandas.DataFrame(dataList, columns=［'ak','status_walk','timesec_walk'］)

dfAll.to_csv(result_path)  #将生成的cvs保存到路径

walk_time_result.csv文件结果，如图517所示。


图517walk_time_result.csv结果

5.3.4GUI设计
导入Tkinter包进行GUI设计。用户通过下拉菜单手动选择当前位置，勾选目的地。单击
“确认”按钮后调用create()函数跳转至最佳路线输出界面。
1. 手绘地图导入
相关代码如下： 

#背景初始化部分

window = tkinter.Tk()

window.geometry('900x500')

window.title('智能导航系统——欢乐谷')

#显示图片

#通过PIL打开图片

img = Image.open('C:/Users/99509/Desktop/map.jpg')  

img = img.resize((750,500),Image.ANTIALIAS) #Image.ANTIALIAS使图片不模糊

#通过PIL生成PhotoImage对象，即可正常加载

photo = ImageTk.PhotoImage(img)

imageLabel = Label(window, image=photo)

imageLabel.pack(side=LEFT)

2. 下拉菜单设计
相关代码如下： 

ss=Label(window,text="您当前位置为",justify=RIGHT)

ss.pack()

comvalue=tkinter.StringVar()#窗体自带的文本，新建一个值  

comboxlist=ttk.Combobox(window,textvariable=comvalue) #初始化

comboxlist［"values"］=("入口","玛雅天灾","雪域金翅","异域魔窟","奥德赛之旅","太阳神车","天地双雄","能量风暴")  

all_paths_first=""

def xFunc(event):

global all_paths_first

#print(comboxlist.get())

#当前位置

if comboxlist.get()=="入口":

all_paths_first=0

elif comboxlist.get()=="玛雅天灾":

all_paths_first=1

elif comboxlist.get()=="雪域金翅":

all_paths_first=2

elif comboxlist.get()=="异域魔窟":

all_paths_first=3

elif comboxlist.get()=="奥德赛之旅":

all_paths_first=4

elif comboxlist.get()=="太阳神车":

all_paths_first=5

elif comboxlist.get()=="天地双雄":

all_paths_first=6

elif comboxlist.get()=="能量风暴":

all_paths_first=7

comboxlist.bind("<<ComboboxSelected>>",xFunc)  

#绑定事件,(下拉列表框被选中时，绑定xFunc()函数)  

comboxlist.pack()

3. 复选框设计
复选框格式是一致的，为了界面简洁，只展示一个复选框设计。

#count判断是否需要调用百度地图API,奇数表示选中

count1=0

N = ［］

def myEvent1():

global count1

if count1%2==0:

count1+=1

else:

count1+=1

#项目选择部分

v1=IntVar()

c1=Checkbutton(window,text='入口',variable=v1,justify=RIGHT,command=myEvent1)

#存放选中状态

c1.pack()

l1=Label(window,textvariable=v1,justify=RIGHT)

l1.pack() #未选中显示为0，选中显示为1

4. 最佳路线结果输出界面设计
相关代码如下： 

total=［］    #存放被选择的目的地

total_n=［］  #存放未被选择的地点

#选择地点完成后调出最佳路线结果输出界面

def create():

window2 = tkinter.Toplevel() #新建子窗口window2

window2.geometry('300*200')

window2.title('计算页面')

s0=Label(window2,text="您选择了： ") #文字框s0

s0.pack()

#选择目的地

if count1%2==1: #如果被选中

N.append(0) #N列表中增加0

total.append("入口") #total列表中增加"入口"

else: #如果未被选中

N_notchoose.append(0) #N_notchoose列表中增加0

total_n.append("入口") #total_n列表中增加"入口"

if count2%2==1:#以下同理

N.append(1)

total.append("玛雅天灾")

else:

N_notchoose.append(1)

total_n.append("玛雅天灾")

if count3%2==1:

N.append(2)

total.append("雪域金翅")

else:

N_notchoose.append(2)

total_n.append("雪域金翅")

if count4%2==1:

N.append(3)

total.append("异域魔窟")

else:

N_notchoose.append(3)

total_n.append("异域魔窟")

if count5%2==1:

N.append(4)

total.append("奥德赛之旅")

else:

N_notchoose.append(4)

total_n.append("奥德赛之旅")

if count6%2==1:

N.append(5)

total.append("太阳神车")

else:

N_notchoose.append(5)

total_n.append("太阳神车")

if count7%2==1:

N.append(6)

total.append("天地双雄")

else:

N_notchoose.append(6)

total_n.append("天地双雄")

if count8%2==1:

N.append(7)

total.append("能量风暴")

else:

N_notchoose.append(7)

total_n.append("能量风暴")

s_total=Label(window2,text=total) #输出用户选中的地点

s_total.pack()

s9=Label(window2,text="最佳路线为： ") #文字框s9

s9.pack()

get_time(N) #调用get_time进行运算

PLAN=［］ #用于存放计划路线

#输出路线

for i in range(0,len(N)+1):

if PATH［i］==0:

 PLAN.append("入口")

elif PATH［i］==1:

 PLAN.append("玛雅天灾")

elif PATH［i］==2:

 PLAN.append("雪域金翅")

elif PATH［i］==3:

 PLAN.append("异域魔窟")

elif PATH［i］==4:

 PLAN.append("奥德赛之旅")

elif PATH［i］==5:

 PLAN.append("太阳神车")

elif PATH［i］==6:

 PLAN.append("天地双雄")

else:

 PLAN.append("能量风暴")

s10=Label(window2,text=PLAN) #输出计划的最佳路线

s10.pack()

s11=Label(window2,text="＼n大约耗时： "+str(round(TIME［0］,2))+"小时") 

#输出对应的总耗时

s11.pack()

b2=Button(window2,text='猜你喜欢',command=create_guess) 

#新建"猜你喜欢"按钮进入智能推荐模块

b2.pack()

b3=Button(window2,text='退出',command=window.destroy)#“退出”按钮，退出程序

b3.pack()

5. 智能推荐结果输出设计
相关代码如下： 

#创建智能推荐的页面

def create_guess():

window3 = tkinter.Toplevel() #新建子窗口window3

window3.geometry('400x250')

window3.title('猜你喜欢')

s0=Label(window3,text="您选择了： ")#文字框s0

s0.pack()

s_total=Label(window3,text=total) #输出用户选中的地点

s_total.pack()

s7=Label(window3,text="为您推荐： ") #文字框s7

s7.pack()

try:

guess_time(N) #调用guess_time函数，计算推荐地点及推荐最佳路线

except:

tkinter.messagebox.showwarning("提示", "选取地点有误!＼n请退出重新选取")

#加入异常处理,跳出提示框

PLAN=［］ #存放推荐最佳路线

#输出路线

for i in range(0,len(N)+2):

if PATH_guess［i］==0:

 PLAN.append("入口")

elif PATH_guess［i］==1:

 PLAN.append("玛雅天灾")

elif PATH_guess［i］==2:

 PLAN.append("雪域金翅")

elif PATH_guess［i］==3:

 PLAN.append("异域魔窟")

elif PATH_guess［i］==4:

 PLAN.append("奥德赛之旅")

elif PATH_guess［i］==5:

 PLAN.append("太阳神车")

elif PATH_guess［i］==6:

 PLAN.append("天地双雄")

else:

 PLAN.append("能量风暴")

s8=Label(window3,text=location［recommend］) #输出推荐的地点

s8.pack()

s9=Label(window3,text="加入推荐地点的最佳路线为： ") #文本框s9

s9.pack()

s10=Label(window3,text=PLAN) #输出推荐的最佳路线

s10.pack()

s11=Label(window3,text="＼n大约耗时： "+str(round(TIME_guess［0］,2))+"小时")

#输出推荐的总耗时

s11.pack()

s12=Label(window3,text="预计比原路线多花费： "+str(round((TIME_guess［0］-TIME［0］),2))+"小时") #输出推荐一个地点后的总耗时与之前总耗时的差

s12.pack()

b3=Button(window3,text='返回',command=window3.destroy) 

#"返回"按钮，返回上一界面

b3.pack()

b4=Button(window3,text='退出',command=window.destroy) 

#"退出"按钮，退出程序

b4.pack()

6. 界面展示
GUI主页面如图518所示，下拉菜单如图519所示。


图518GUI主界面



图519下拉菜单

5.3.5路径规划

通过调用百度地图API模块产生节点之间的步行时间矩阵和客流模型，应用穷举法设计算法，得出最佳路线规划。

GUI界面下拉菜单中选择当前位置作为所有可能线路的起点，复选框中目的地作为节点，调用itertools库中的permutations()函数进行全排列，路线每到节点时间、排队时间输出在cmd窗口，如图520所示，最佳路线和总耗时输出在GUI模块设计的界面当中，如图521所示。


图520cmd中显示所有路线及耗时



图521GUI界面显示最佳路线

相关代码如下： 

#获得最佳路线和出游时间

def get_time(N):

global TIME

global PATH

gbdt_6_model_path = "D:/~STUDY~/Grade3/信息系统设计/final_files/data/模型/gbdt_6.model" 

gbdt_model = joblib.load(gbdt_6_model_path) #加载模型

#初始化客流模型顺序不可改变

features=pd.DataFrame({'temperature_average':［2］,

'wind_average':［0］,

'weather_average':［6］,

 'time':［0］,

 'isholiday':［0］,

 'dayofweek':［1］})

#N = ［0,1,2,3］ #GUI界面选择

n=len(N)+1

print(all_paths_first)

all_paths_tuple=list(itertools.permutations(N,n-1)) 

#得到的全排列是元组tuple

all_paths=［］

#tuple类型不能插入操作，所以转换成list

for i in range(0,math.factorial(n-1)):

all_paths.append(list(all_paths_tuple［i］))

all_paths［i］.insert(0,all_paths_first)

path = list()

all_time = float('inf') #无穷大

#第i条路线

for i in range(0,math.factorial(n-1)):

time = 0 #(h)

nowtime = 9 #可以获取当前时间，需要时间表示的转换(h)

print("第"+str(i+1)+"条路线为： "+str(all_paths［i］))

#第i条路线的第j个地点

for j in range(0,n-1):

time = time + (walk_time［all_paths［i］［j］］［all_paths［i］［j+1］］/3600) 

#到达一个地点的时间

nowtime = nowtime+time 

features［'time'］ = nowtime

gbdt_predict_labels = gbdt_model.predict(features)/2000 

#客流量/2000当作时间(h)

print("现在的时间是： "+str(nowtime)+" 此时"+str(j)+"点的排队时间为： "+str(gbdt_predict_labels)+"h")

time = time + gbdt_predict_labels + (PLAYTIME［j］/60)

print("耗时为： "+str(time))

print("=============================================================")

if all_time>time:

all_time = time

path = all_paths［i］

print("耗时最短的路线为： "+str(path)+" 耗时为： "+str(all_time))

PATH = path

TIME = all_time


5.3.6智能推荐

系统将用户未选择的地点一次分别加入已选择的队列中进行运算，其基本思路与最佳路线规划模块一致，采用穷举法得到所有路线及其总耗时，最后将它们输出，实现智能推荐。相关代码如下： 

#智能推荐"猜你喜欢"的运算

def guess_time(N):

global TIME_guess

global PATH_guess

global recommend

path_whole = list()

all_time_whole = float('inf') #无穷大

gbdt_6_model_path = "D:/~STUDY~/Grade3/信息系统设计/final_files/data/模型/gbdt_6.model" 

gbdt_model = joblib.load(gbdt_6_model_path) #加载模型

features=pd.DataFrame({'temperature_average':［2］,

'wind_average':［0］,

'weather_average':［6］,

 'time':［0］,

 'isholiday':［0］,

 'dayofweek':［1］})

#N = ［0,1,2,3］ #GUI界面选择

print('起点是： '+str(all_paths_first))

for nn in range(0,len(N_notchoose)): 

#把未选择的地点分别加入已选择的队列中进行计算

guess_path = ［］

guess_path = N［:］

guess_path.append(N_notchoose［nn］) #构建推荐的列表

print(guess_path)

if(all_paths_first in guess_path):

pass#如果未选择的地点是起点，则跳过

else:

all_paths_tuple=list(itertools.permutations(guess_path,len(guess_path))) 

#得到的全排列是元组tuple

all_paths=［］

#tuple类型不能插入操作，所以转换成list

#for i in range(0,math.factorial(n-1)):调试代码

for i in range(0,math.factorial(len(guess_path))):

all_paths.append(list(all_paths_tuple［i］))

all_paths［i］.insert(0,all_paths_first)

path = list()

all_time = float('inf') #无穷大

#第i条路线

for i in range(0,math.factorial(len(guess_path))):

time = 0 #(h)

nowtime = 9 #可以获取当前时间，需要时间表示的转换(h)

print("第"+str(i+1)+"条路线为： "+str(all_paths［i］))

#第i条路线的第j个地点

for j in range(0,len(guess_path)):

time = time + (walk_time［all_paths［i］［j］］［all_paths［i］［j+1］］/3600) 

#到达一个地点的时间

nowtime = nowtime+time 

features［'time'］ = nowtime

gbdt_predict_labels = gbdt_model.predict(features)/2000 

#客流量/2000当作时间(h)

print("现在的时间是： "+str(nowtime)+" 此时"+str(j)+"点的排队时间为： "+str(gbdt_predict_labels)+"h")

time = time + gbdt_predict_labels + (PLAYTIME［j］/60)

print("耗时为： "+str(time))

print("")

if all_time>time:

all_time = time

path = all_paths［i］

if all_time_whole>all_time:

all_time_whole = all_time

path_whole=path［:］

recommend = N_notchoose［nn］

print("推荐第"+str(recommend)+"个景点")

print("推荐第"+str(recommend)+"个景点")

print("智能推荐耗时最短的路线为a： "+str(path_whole)+"耗时为： "+str(all_time_whole))

PATH_guess = path_whole

TIME_guess = all_time_whole

在cmd窗口输出所有路线及该路线每到一节点的时间，如图522所示。



图522cmd中显示所有路线及耗时


在GUI模块设计的界面中显示最佳路线和总耗时，如图523所示。


图523最佳路线

5.4系统测试
本部分包括训练准确率、测试效果及程序应用。
5.4.1训练准确率
经过调参后，测试的错误率为8.236%，如图524所示，准确率达到91.7%以上，意味着预测模型训练比较成功。


图524模型错误率


5.4.2测试效果
将数据代入模型进行测试，分类的标签与原始数据进行显示和对比，如图525所示，可以验证： 模型可以实现预测客流量的功能。



图525模型训练效果

5.4.3程序应用
打开gui.py，单击“运行”按钮，初始界面如图526所示。


图526程序初始界面


界面从左至右，分别是一张北京欢乐谷园区的手绘地图，一个下拉菜单、一列目的地复选框。在下拉菜单中选择当前位置，复选框中选择目的地，如图527所示。



图527选择目的地界面

单击“确定”按钮后，cmd窗口中会输出所有可能路线、耗时以及最短的路线、耗时，如图528所示。


图528最短路线规划在cmd窗口中的输出


单击“确定”按钮后出现第二个GUI界面，显示用户选择的目的地、经系统计算后的最佳路线及总耗时，如图529所示。



图529最佳路线规划界面

单击“退出”按钮即可退出程序。单击“猜你喜欢”按钮进入智能推荐模块，cmd窗口中会输出所有可能路线及耗时，并且输出推荐最佳路线和耗时，如图530所示。


单击“猜你喜欢”按钮后，会出现第三个GUI界面，显示用户选择的目的地、系统推荐的地点、系统计算后的推荐最佳路线及总耗时，如图531所示。

若用户选择的起点与目的地有重复，导致程序出现异常，则跳出异常提示框，如图532所示。

总体测试结果如图533所示。



图530智能推荐在cmd窗口中的输出



图531智能推荐的计算界面



图532异常提示界面



图533总体测试结果示例