基于GBDT+Tkinter+穷举法按排队时间预测最优路径的智能导航推荐系统——机器学习算法应用(含Python工程源码)+数据集（二）

已于 2023-10-07 14:48:48 修改
阅读量763 收藏 6
点赞数
分类专栏： 大数据分析 机器学习 学习路线 文章标签： 机器学习 python 最优路径 智能导航 GBDT 人工智能 scikit-learn
于 2023-09-19 11:22:46 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_31136513/article/details/133011802
版权

目录

在这里插入图片描述

前言

本项目的核心是利用百度地图API获取步行时间和借助GBDT（梯度提升决策树）模型进行排队时间的预测。它旨在为用户提供一种自主选择多个目的地的功能，然后系统会输出最佳路线规划的结果，并根据用户的选择提供智能化的建议。

首先，项目利用百度地图API，能够获取到步行时间信息。这些信息包括从一个地点到另一个地点所需的预计步行时间。这个步骤确保了系统具有地理位置感知能力，可以理解用户的出行需求。

接下来，项目使用GBDT模型，这是一种强大的机器学习模型，用于预测排队时间。GBDT模型会考虑多个因素，如交通状况、目的地之间的距离、历史排队数据等，来预测用户在不同地点排队的时间。

一旦获取了这些信息，系统可以让用户自主选择多个目的地。用户可以输入他们的出发点和多个目标地点，然后系统会根据百度地图API的步行时间和GBDT模型的排队时间预测，计算出最佳路线规划。这个规划考虑了用户的时间限制、排队时间、步行时间等因素，以确保用户能够在最短的时间内到达所有目的地。

最后，系统还可以根据用户的选择，提供智能化的建议。例如，如果用户希望优先选择最短排队时间的目的地，系统可以相应地调整路线规划。

总的来说，这个项目结合了地图数据和机器学习技术，为用户提供了一个方便的自主选择多个目的地并获取最佳路线规划的工具。这对于城市出行和旅游规划非常有用，可以帮助用户更高效地安排行程。

总体设计

本部分包括系统整体结构图和系统流程图。

系统整体结构图

系统整体结构如图所示。

在这里插入图片描述

系统流程图

系统流程如图所示。

在这里插入图片描述
路径规划流程如图所示。
在这里插入图片描述

计算路径耗时流程，如图所示。

在这里插入图片描述

运行环境

本部分包括 Python 环境、Pycharm 环境和Scikit-learn环境。

Python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所需环境的配置，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。

Pycharm 环境

PyCharm下载地址为http://www.jetbrains.com/pycharm/download/#section=windows，进入网站后单击Comminity版本下的DOWNLOAD下载安装包，下载完成后安装。单击Create New Project创建新的项目文件，Location为存放工程的路径，单击project附近的三角符号，可以看到PyCharm已经自动获取Python 3.6，单击create完成。

Scikit-learnt

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。

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。

1. 数据预处理

详见博客：https://blog.csdn.net/qq_31136513/article/details/133011765

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)+'%')

模型错误率如图所示。

在这里插入图片描述

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所示。

在这里插入图片描述

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（首次认证，需要使用人脸识别通过认证），找到控制台→应用管理→我的应用，单击“创建应用”，如下3图所示。

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

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的详细信息如图所示。

在这里插入图片描述

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)

运行结果如图所示。

在这里插入图片描述

得到起点、终点坐标.xlsx文件，如图所示。

在这里插入图片描述

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(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秘钥
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 = []  #储存获取的路线数据
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秘钥：{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，如图所示。

在这里插入图片描述

相关其它博客

基于GBDT+Tkinter+穷举法按排队时间预测最优路径的智能导航推荐系统——机器学习算法应用(含Python工程源码)+数据集（一）

基于GBDT+Tkinter+穷举法按排队时间预测最优路径的智能导航推荐系统——机器学习算法应用(含Python工程源码)+数据集（三）

基于GBDT+Tkinter+穷举法按排队时间预测最优路径的智能导航推荐系统——机器学习算法应用(含Python工程源码)+数据集（四）

工程源代码下载

详见本人博客资源下载页

其它资料下载

如果大家想继续了解人工智能相关学习路线和知识体系，欢迎大家翻阅我的另外一篇博客《重磅 | 完备的人工智能AI 学习——基础知识学习路线，所有资料免关注免套路直接网盘下载》
这篇博客参考了Github知名开源平台，AI技术平台以及相关领域专家：Datawhale，ApacheCN，AI有道和黄海广博士等约有近100G相关资料，希望能帮助到所有小伙伴们。

小胡说人工智能
关注
  • 0
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
推荐系统 | 基础推荐模型 | GBDT+LR模型 | Python实现
liujiesxs的博客
09-13 2697
GBDT+LR模型 | Python实现
基于GBDT+Tkinter+穷举法按排队时间预测最优路径的智能导航推荐系统-机器学习算法应用(含Python工程源码)+数据集
09-19
1.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。 2.项目运行环境：需要Python 3.6及以上配置。...
网游同步算法之导航推测（Dead Reckoning）算法
czh3642210的专栏
11-30 7037
在了解该算法前，我们先来谈谈该算法的一些背景资料。大家都知道，在网络传输的时候，延迟现象是很普遍的，而在基于Server/Client结构下的网络游戏的同步也就成了很头疼的问题，在保证客户端响应用户本地指令流畅的情况下，没法有效的保证的同步的及时性。同样，在军方也有类似的事情发生，即使是同一LAN里面的机器，也会因为传输的延迟，导致一些运算的失误，介于此，美国国防部投入了大量的资金用于研究一种比较
[转]网游同步算法之导航推测（Dead Reckoning）算法
weixin_33937778的博客
12-19 255
网游同步算法之导航推测（Dead Reckoning）算法：    　 　在了解该算法前，我们先来谈谈该算法的一些背景资料。大家都知道，在网络传输的时候，延迟现象是非常普遍的，而在基于Server/Client结构下 的网络游戏的同步也就成了非常头疼的问题，在确保客户端响应用户本地指令流畅的情况下，没法有效的确保的同步的及时性。同样，在军方也有类似的事情发生， ...
排队预测标签
Max
08-04 329
查询队列的状态 属性 属性名  说明 name  对象名称 classid  method://ngcc/Other/GetQueueStatus 参数 参数名  说明 virtualcenter 虚拟中心号 callData 随路数据 skill  技能号 CLI  主叫号码（IN） CLD  被叫号码（IN） 返回值 通过name属性作为对象来接受返回值 使
pytorch实现基于LSTM的高速公路车辆轨迹预测源码+数据集.zip
02-18
pytorch实现基于LSTM的高速公路车辆轨迹预测源码+数据集.zip 第1步：轨迹数据滤波，将原始US101和I-80的原始数据放入下图文件夹，运行代码"trajectory_denoise.py"，结果如下： image 第2步：移除不必要特征以及添加新特征，运行代码"preprocess.py"，结果如下： image 第3步：根据需要添加横、纵向速度和加速度特征，运行代码"add_v_a.py"，结果如下： image 第4步：按照滑动窗口法提取所需8s轨迹序列，运行代码"final_DP.py"，结果如下： image 第5步：最终合并US101和I-80数据集，为保证数据的均衡性以及充分利用数据集，随机采样10组数据集，每组按照6:2:2的比例划分训练集、测试集和验证集；运行代码"merge_data.py". 模型训练及测试 MTF-LSTM模型训练，运行代码"MTF-LSTM.py" MTF-LSTM-SP模型训练，运行代码"MTF-LSTM-SP.py" 本文训练好的MTF-LSTM和MTF-LSTM-SP模型保存在文件夹/algorithm
基于协同过滤算法和gbdt+lr算法实现推荐系统召回率模型和排序模型python源码.zip
05-31
基于协同过滤算法和gbdt+lr算法实现推荐系统召回率模型和排序模型python源码.zip基于协同过滤算法和gbdt+lr算法实现推荐系统召回率模型和排序模型python源码.zip基于协同过滤算法和gbdt+lr算法实现推荐系统召回率...
基于GBDT+LR预测动态高危路段python源码含详细项目说明.zip
05-31
基于GBDT+LR预测动态高危路段python源码含详细项目说明.zip 利用GBDT+LR预测动态高危路段 3总体思路 数据获取 数据清洗：将不同类型的数据合并在一起，对于缺失值数据进行处理，同时对于分类特征进行onehot编码 特征...
Python基于机器学习的二手车交易预测评估系统设计与实现项目源码+数据集
04-18
在本项目中，我们主要探讨的是如何利用Python和机器学习技术构建一个二手车交易价格预测评估系统。这个系统基于某实际交易平台的二手车交易记录，旨在通过分析历史数据来预测车辆的售价，为买卖双方提供参考。以下将...
基于GBDT+LR算法融合搭建风控模型python实现源码+数据集+模型（毕业设计）.zip
05-31
基于GBDT+LR算法融合搭建风控模型python实现源码+数据集+模型（毕业设计）.zip基于GBDT+LR算法融合搭建风控模型python实现源码+数据集+模型（毕业设计）.zip基于GBDT+LR算法融合搭建风控模型python实现源码+数据集+...
R语言中如何使用排队论预测等待时间？
weixin_33755554的博客
12-12 1482
介绍 顾名思义，排队论是对用于预测队列长度和等待时间的长等待线的研究。这是一种流行的理论，主要用于运营，零售分析领域。 到目前为止，我们已经解决了传入呼叫量和呼叫持续时间事先已知的情况。在现实世界中，情况并非如此。在现实世界中，我们需要假设到达率和服务率的分布并相应地采取行动。 到货率仅仅是客户需求的结果，公司无法控制这些需求。另一方面，服务费率在很大程度上取决于有多少来电者代表可以服务，他...
排队论与人工智能：排队预测和自动化
禅与计算机程序设计艺术
12-26 922
1.背景介绍 排队论是一门研究人们在不同场景下排队行为的学科。排队论可以帮助我们理解人们在排队过程中的行为模式，并为各种场景提供有效的排队管理方案。随着人工智能技术的发展，排队论与人工智能逐渐产生了深厚的联系。人工智能技术可以帮助我们更好地预测排队行为，从而实现排队预测和自动化。 在这篇文章中，我们将从以下几个方面进行阐述： 背景介绍 核心概念与联系 核心算法原理和具体操作步骤以及数学模型...
【机器学习】机器学习概观之频率视角下的机器学习和贝叶斯视角下的机器学习以及两者的区别
m0_49243785的博客
07-21 586
参数确定，数据随机数据确定，参数随机。
生成对抗网络（GAN）：目标检测的新前沿
2401_85763639的博客
07-21 568
生成对抗网络是由Goodfellow等人在2014年提出的一种深度学习模型，它由两部分组成：生成器（Generator）和判别器（Discriminator）。生成器致力于产生逼真的数据，而判别器则尝试区分真实数据与生成数据。两者在训练过程中相互竞争，推动生成的数据质量不断提升。
人工智能与机器学习原理精解【2】
应用数学
07-21 1035
下面内容来自文心一言的自动生成机器学习中的回归是一种预测数值型目标变量的监督学习算法。与分类问题不同回归问题的目标是预测一个连续的值，而不是一个离散的类别标签。回归模型通过学习输入变量（也称为特征或自变量）与输出变量（也称为目标变量或因变量）之间的关系来工作。
【机器学习】机器学习的基本知识点（包括背景、定义、具体内容、功能、使用场景、操作、未来发展和常见算法）
m0_49243785的博客
07-21 1049
机器学习是人工智能的一个分支，它使计算机系统能够从数据中学习并做出预测或决策，而不是依赖于严格的编程指令。机器学习的基本概念可以理解为计算机通过数据分析和模式识别来“学习”的过程。这个过程通常包括建立模型、用数据训练模型、以及利用训练后的模型进行预测或分类
基于机器学习的二手房价格分析与预测设计与实现
最新发布
weixin_49081159的博客
07-21 751
本章将围绕数据的探索性分析、特征工程、模型建立和评估展开，通过对二手房数据的深度挖掘和分析，揭示不同特征对房价的影响，构建可靠的预测模型。选取1998年2011年贵阳市的房价及其主要影响因素作为实验数据,分别对传统的BP神经网络和经过遗传算法优化后的BP神经网络进行训练和仿真实验,结果表明,与传统的BP神经网络预测模型相比,经过遗传算法优化后的BP神经网络预测模型能加快网络的收敛速度,提高房价的预测精度。这些方法和实施过程有助于优化模型的性能，提高模型的预测准确性，为房屋总价的预测提供更可靠的结果。
GBDT+LR python实现
07-28
GBDT+LR的Python实现可以按照以下步骤进行： 1. 数据预处理：对数据进行清洗、缺失值处理、特征选择等操作。 2. 数据加载：使用Python的数据处理库（如pandas）加载数据集。 3. 模型搭建：使用GBDT模型进行特征转换，将原始特征转换为GBDT树的叶子节点输出的实数值。 4. 训练及预测：使用训练数据训练GBDT模型，并将训练得到的特征转换结果作为LR模型的输入进行训练。然后使用测试数据进行预测。 具体的实现步骤可以参考引用\[1\]和引用\[3\]中提到的内容。在训练阶段，需要获取特征数据并拆分成训练数据和测试数据，然后分别训练GBDT分类器和LR模型。在预测阶段，将待预测的特征输入到GBDT模型中，获取叶子节点并进行拼接，然后使用OneHot编码器将拼接结果转换为OneHot向量，最后使用LR模型进行预测。 总的来说，GBDT+LR的Python实现包括数据预处理、数据加载、模型搭建、训练及预测等步骤，具体的实现细节可以参考引用\[1\]和引用\[3\]中的内容。 #### 引用[.reference_title] - *1* [推荐系统 | 基础推荐模型 | GBDT+LR模型 | Python实现](https://blog.csdn.net/liujiesxs/article/details/126723249)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* *3* [Facebook的GBDT+LR模型python代码实现](https://blog.csdn.net/weixin_43290383/article/details/121306368)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小胡说人工智能

谢谢老板打赏，祝您天天好心情！

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值