基于Python的智能旅游系统开发个性化推荐与行程规划

基于Python的智能旅游系统：从数据到推荐，打造你的私人行程规划师

大家好，作为一名经常和代码打交道的“伪”旅行爱好者，我总在想：能不能用技术解决旅行规划中的选择困难症？热门景点人挤人，小众地点又怕踩坑，行程安排更是劳心费力。于是，我决定动手用Python打造一个智能旅游系统的核心模块，专注于个性化推荐和自动化行程规划。今天，我就把这次开发的思路、关键步骤和踩过的坑，毫无保留地分享给大家。

第一步：蓝图与数据——系统的基石

任何智能系统的起点都是数据。我们不可能像大厂一样拥有海量用户行为数据，但可以从公开数据入手构建一个原型。我的思路是：系统根据用户的兴趣标签（如“历史古迹”、“自然风光”、“美食购物”）和约束条件（时间、预算），从景点库中筛选并排序，最后生成一个时间线合理的行程单。

首先，我们需要一个结构化的景点数据。这里我选择用Python的字典列表来模拟一个小型数据库，后续可以轻松替换为MySQL或MongoDB。

# attractions_data.py
# 模拟景点数据库
attractions = [
    {
        "id": 1,
        "name": "故宫博物院",
        "tags": ["历史古迹", "博物馆", "地标"],
        "location": "市中心",
        "estimated_time": 240,  # 分钟
        "ticket_price": 60,
        "popularity": 9.5,  # 热度，0-10
        "coordinates": (116.397, 39.918)  # 经纬度，用于后续路径规划
    },
    {
        "id": 2,
        "name": "长城八达岭段",
        "tags": ["历史古迹", "自然风光", "徒步"],
        "location": "郊区",
        "estimated_time": 300,
        "ticket_price": 45,
        "popularity": 9.8,
        "coordinates": (116.024, 40.365)
    },
    {
        "id": 3,
        "name": "三里屯太古里",
        "tags": ["美食购物", "现代建筑", "夜生活"],
        "location": "市中心",
        "estimated_time": 180,
        "ticket_price": 0,
        "popularity": 8.5,
        "coordinates": (116.453, 39.933)
    },
    # ... 可以继续添加更多景点
]

踩坑提示：真实开发中，`coordinates`字段至关重要，它是实现智能行程规划（按地理距离排序）的基础。务必确保数据准确，否则“规划”出的行程可能让你在城市里来回折返跑。

第二步：心脏引擎——个性化推荐算法

推荐的核心是匹配。这里我实现一个加权评分算法。用户选择兴趣标签（如`["历史古迹", "美食购物"]`），系统计算每个景点与用户兴趣的匹配度，并结合热度、预算进行综合排序。

# recommendation_engine.py
def calculate_match_score(attraction, user_tags, max_budget, time_available):
    """
    计算单个景点的推荐得分
    """
    score = 0.0
    
    # 1. 标签匹配度（权重最高）
    tag_match = len(set(attraction['tags']) & set(user_tags))
    score += tag_match * 30  # 每个匹配标签加30分
    
    # 2. 热度因素
    score += attraction['popularity'] * 5
    
    # 3. 预算过滤与奖励（符合预算的加分）
    if attraction['ticket_price']  time_available:
        score -= 100  # 如果单景点所需时间就超过总时间，直接否决
    
    return score

def recommend_attractions(all_attractions, user_tags, max_budget, total_days, hours_per_day=8):
    """
    主推荐函数
    """
    total_minutes = total_days * hours_per_day * 60
    scored_attractions = []
    
    for attr in all_attractions:
        score = calculate_match_score(attr, user_tags, max_budget, total_minutes)
        if score > -50:  # 过滤掉被严重否决的景点
            scored_attractions.append((attr, score))
    
    # 按得分降序排序
    scored_attractions.sort(key=lambda x: x[1], reverse=True)
    
    # 返回景点信息和得分
    return [item[0] for item in scored_attractions], [item[1] for item in scored_attractions]

# 模拟用户输入
if __name__ == "__main__":
    from attractions_data import attractions
    
    my_tags = ["历史古迹", "美食购物"]
    my_budget = 200
    my_days = 2
    
    recommended, scores = recommend_attractions(attractions, my_tags, my_budget, my_days)
    
    print("为您推荐的景点及得分：")
    for attr, score in zip(recommended[:5], scores[:5]):  # 展示前5个
        print(f"- {attr['name']}: 得分 {score:.1f}")

实战经验：这个算法虽然简单，但效果直观可控。权重的设置（如`tag_match * 30`）需要反复调整测试，可以引入A/B测试框架来优化。工业级系统会采用协同过滤或更复杂的模型，但对于我们构建MVP（最小可行产品）来说，规则引擎快速有效。

第三步：从点到线——智能行程规划器

推荐出一堆景点只是开始，如何把它们合理地安排到每一天的行程里才是挑战。这里的核心是：聚类（把靠近的景点放在同一天）和排序（优化一天内的游览顺序）。

我们使用一个简单的贪心算法，并引入`geopy`库计算距离（需提前安装：`pip install geopy`）。

# itinerary_planner.py
from geopy.distance import geodesic
import math

def plan_daily_itinerary(selected_attractions, days_available, start_coord=(116.407, 39.904)):
    """
    规划每日行程。
    selected_attractions: 经过推荐筛选后的景点列表
    days_available: 可用天数
    start_coord: 假设的每日起点（如酒店位置）
    """
    if not selected_attractions:
        return []
    
    # 按与起点的距离初步排序（简单聚类）
    for attr in selected_attractions:
        attr['distance_from_start'] = geodesic(start_coord, attr['coordinates']).km
    
    selected_attractions.sort(key=lambda x: x['distance_from_start'])
    
    # 将景点大致平均分配到每天
    attractions_per_day = math.ceil(len(selected_attractions) / days_available)
    daily_plans = []
    
    for day in range(days_available):
        day_attractions = selected_attractions[day*attractions_per_day: (day+1)*attractions_per_day]
        if not day_attractions:
            break
        
        # 优化单日行程顺序：最近邻算法
        current_coord = start_coord
        daily_plan = []
        remaining = day_attractions.copy()
        
        while remaining:
            # 找出距离当前点最近的景点
            nearest = min(remaining, key=lambda x: geodesic(current_coord, x['coordinates']).km)
            daily_plan.append(nearest)
            current_coord = nearest['coordinates']
            remaining.remove(nearest)
        
        # 估算当日总耗时（加入交通时间估算，假设30公里/小时）
        total_time = 0
        current_coord = start_coord
        for attr in daily_plan:
            travel_time = (geodesic(current_coord, attr['coordinates']).km / 30) * 60  # 分钟
            total_time += travel_time + attr['estimated_time']
            current_coord = attr['coordinates']
        
        daily_plans.append({
            "day": day + 1,
            "attractions": daily_plan,
            "estimated_total_time_minutes": int(total_time)
        })
    
    return daily_plans

# 整合使用
if __name__ == "__main__":
    from attractions_data import attractions
    from recommendation_engine import recommend_attractions
    
    # 获取推荐结果
    recommended, _ = recommend_attractions(attractions, ["自然风光"], 100, 2)
    
    # 规划行程
    plans = plan_daily_itinerary(recommended[:6], 2)  # 取前6个推荐景点规划2天
    
    for plan in plans:
        print(f"n=== 第{plan['day']}天 (预计总耗时: {plan['estimated_total_time_minutes']}分钟) ===")
        for attr in plan['attractions']:
            print(f"  · {attr['name']} (游览{attr['estimated_time']}分钟)")

踩坑提示：`geodesic`计算的是球面距离，在城市内规划精度足够。但真实交通时间远比直线距离复杂，有条件的可以接入高德或百度地图的API获取实时交通数据，这是让系统从“玩具”变“工具”的关键一步。

第四步：让系统“活”起来——简单的Flask Web接口

命令行工具不方便分享。我们用Flask快速搭建一个Web界面，让用户可以通过网页交互。

# app.py
from flask import Flask, render_template, request, jsonify
import json

app = Flask(__name__)

# 加载数据、推荐和规划函数（假设已封装在`core.py`中）
from core import attractions, recommend_attractions, plan_daily_itinerary

@app.route('/')
def index():
    return render_template('index.html')  # 需要创建一个简单的HTML表单页

@app.route('/recommend', methods=['POST'])
def get_recommendation():
    try:
        data = request.json
        user_tags = data.get('tags', [])
        budget = float(data.get('budget', 500))
        days = int(data.get('days', 3))
        
        # 1. 获取推荐
        rec_attractions, scores = recommend_attractions(attractions, user_tags, budget, days)
        # 取前12个结果
        rec_result = [{"name": a['name'], "tags": a['tags'], "time": a['estimated_time'], "price": a['ticket_price']} 
                      for a in rec_attractions[:12]]
        
        # 2. 为前6个结果规划行程
        itinerary = plan_daily_itinerary(rec_attractions[:6], days)
        plan_result = []
        for day in itinerary:
            plan_result.append({
                "day": day['day'],
                "attractions": [a['name'] for a in day['attractions']],
                "total_time": day['estimated_total_time_minutes']
            })
        
        return jsonify({
            "success": True,
            "recommendations": rec_result,
            "itinerary": plan_result
        })
    except Exception as e:
        return jsonify({"success": False, "error": str(e)})

if __name__ == '__main__':
    app.run(debug=True)

对应的`templates/index.html`可以是一个简单的表单，通过JavaScript调用`/recommend`接口并展示结果。这里限于篇幅不展开，但核心逻辑已在上面的接口中体现。

总结与展望

通过以上四个步骤，我们完成了一个智能旅游系统的核心闭环：数据 -> 个性化推荐 -> 行程规划 -> 服务接口。这个系统虽然原型简单，但架构清晰，每一个模块都有巨大的优化空间：

1. 数据层：接入真实POI（兴趣点）数据库，加入用户评分和评论情感分析。
2. 算法层：用机器学习模型（如矩阵分解、深度学习）替换规则引擎，实现“猜你喜欢”。
3. 规划层：集成实时交通API，并加入更多约束（如景点开放时间、用餐地点）。
4. 交互层：开发更精美的前端，甚至做成移动App。

开发过程中，我最大的体会是：不要追求一步到位。先从可运行的原型开始，快速验证想法，然后像搭积木一样逐个模块增强。这个项目不仅让我重温了Python数据处理的技巧，更让我对“智能”系统如何理解并服务用户有了更深的认识。希望这篇教程能给你带来启发，不妨现在就动手，从你所在城市的景点数据开始，打造你的第一个智能旅游规划原型吧！