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 API，AI 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_logs（API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_size=5):
        self._pool = queue.Queue(maxsize=pool_size)
        for _ in range(pool_size):
            conn = sqlite3.connect(db_path, check_same_thread=False)
            conn.execute('PRAGMA journal_mode=WAL')
            conn.execute('PRAGMA synchronous=NORMAL')
            conn.execute('PRAGMA cache_size=-64000')
            self._pool.put(conn)

    @contextmanager
    def get_connection(self):
        conn = self._pool.get(timeout=10)
        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, timeout=30)
        dest = sqlite3.connect(self._read_replica_path, timeout=30)
        source.backup(dest)
        dest.close(); source.close()

    def get_read_connection(self):
        if self.should_sync(): self._sync_to_replica()
        try:
            return sqlite3.connect(
                f'file:{self._read_replica_path}?mode=ro', uri=True)
        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, backend='MemoryLRU', capacity=1000):
        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, ttl=300):
        if len(self._memory_cache) >= self._capacity:
            self._memory_cache.popitem(last=False)
        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_ms

6.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_date=None, days=1):
        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_date=None):
        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[i+1])
        return total_time + total_distance*10 + total_cost + total_fatigue*2 + congestion_penalty

  6.2 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_date=None):
        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_penalty

  6.3 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, algorithm='auto'):
        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60，6小时）、正常体能（上限100，10小时）、运动员级（上限150，12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 base

  6.5 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_OK=0、ERR_PARAMS=400、ERR_UNAUTHORIZED=401、ERR_NOT_FOUND=404、ERR_INTERNAL=500、ERR_TIMEOUT=504）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(data=None, message='成功'):
    return jsonify({'code': 0, 'success': True, 'message': message,
                    'data': data, 'timestamp': int(time.time())})

def err(message=None, code=500):
    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())}), 500

  7.2 DeepSeek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': f'Bearer {api_key}'}, timeout=120)

  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:

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。