技术架构设计

前端框架（Vue.js + Leaflet）
采用Vue3组合式API构建响应式界面，通过Leaflet实现交互式地图渲染。腾讯地图API作为底图服务，集成地图搜索、路径绘制、POI标记功能。UI组件库选用Element Plus，支持高定制化的行程卡片拖拽排序。

后端服务（FastAPI + 大模型）
RESTful API采用异步框架FastAPI，处理并发路线请求。大模型选用LLaMA-3-70B进行微调，输入特征包括：预算区间、时间约束、兴趣标签。输出结构化JSON包含行程分段、交通衔接、消费预估。

动态规划算法：多目标优化模型

建立时空约束下的效用最大化函数：

其中U(s_t)为景点效用值，C(\cdot)表示交通成本，D(s_t)为人流密度惩罚项。采用蒙特卡洛树搜索进行路径空间探索。MCTS 相比于传统的动态规划或遗传算法具有更好的启发式剪枝能力。

• 选择： 从当前节点出发，利用 UCB1 公式选择子节点。为了平衡探索与利用，公式调整为：

  

  其中 \bar{V}_j 为子节点的累计效用均值。

• 扩展： 若当前节点未完全展开，且满足时间约束，则增加新的景点节点。

• 仿真： 采用贪婪策略而非纯随机模拟，优先选择单位时间效用最高的景点，以加快收敛。

• 回溯： 将路径的总效用值更新至父节点。

输入层数据预处理

• 效用值 U(s_t)： 结合用户的个性化标签（如：喜欢自然风光、历史古迹），通过 LLM（如 DeepSeek）预先对数据库中的景点打分。

• 交通成本 C(s_t, s_{t+1})： 调用腾讯地图API，获取景点间的实时驾车/公交时间。

• 密度惩罚 D(s_t)： 接入景区实时人流大数据（或基于历史同期数据的热力图预测）。

基于 MCTS 的动态生成逻辑

MCTS 在 短时间内内进行数千次模拟，从而选出最优路径，相比于一次性生成死板的行程更优。

具体的搜索步骤：

• 状态表示： 每一个树节点代表一个景点 s_t，路径深度代表时间步 t。

• 约束检查： 在 expand 节点时，实时计算当前累计时间。如果 当前已用时间 + 前往 s_{t+1} 的交通时间 + $s_{t+1}$ 的建议游玩时间 > 用户设定的当日总时长，则直接剪枝。

• 智能避峰： 在 calculate_utility 时，算法会发现：虽然某个网红景点 U 值很高，但因为下午 2 点的 D惩罚项极大，导致综合效用降低。MCTS 会转而探索将该景点排在上午或者替换为其他次优景点的路径。

# 核心效用计算
def calculate_step_utility(s_curr, s_next, density_data):
    u = alpha * s_next.base_utility
    c = beta * travel_cost_matrix[s_curr][s_next]
    d = gamma * density_data[s_next][current_time]
    return u + c - d

# MCTS 主循环 (限时执行)
start_time = time.time()
while time.time() - start_time < 0.75: # 预留50ms收尾
    leaf = selection(root)
    child = expansion(leaf)
    reward = fast_rollout(child)
    backpropagate(child, reward)

实时数据管道

• 交通数据：接入腾讯地图实时路况API，更新权重矩阵
• 天气数据：中国气象局小时级预报触发雨天备选方案
• 人流预测：LSTM模型处理景区历史客流数据，预测峰值时段

核心功能实现

个性化推荐引擎
构建用户画像多维向量：

user_vector = {
    "preference": [0.7, 0.2, 0.1],  # 文化/自然/购物权重
    "mobility": 0.85,              # 步行承受系数 
    "budget_layer": 3              # 消费分级(1-5)
}

结合协同过滤算法，计算景点匹配度：

def match_score(spot, user):
    return (spot.themes * user.preference).sum() * exp(-0.5*spot.crowd)

交互式路线编辑实现基于Turf.js的时空冲突检测：

当用户手动在地图上划定“避开区域”（如封路、施工区）时，需检测预设路径是否穿过该多边形。

const route = turf.lineString([[116.4, 39.9], [116.5, 40.0]]); // 行程路线
const obstacle = turf.polygon([[...]], { name: "施工区" }); // 避开区
const isConflict = turf.booleanIntersects(route, obstacle);

时间窗不可达检测:

从 A 点到 B 点的物理距离，在用户给定的时间差内无法完成。

const dist = turf.distance(pointA, pointB, {units: 'kilometers'});
const travelTime = (dist / averageSpeed) * 60; // 分钟
if (travelTime > availableGap) {
    // 触发时空冲突警告：时间不足以覆盖这段路程
}

动态缓冲区检测

为了处理人流密度惩罚 D(s_t)，利用 Turf.js 在前端生成动态缓冲区，直观展示拥挤影响范围。

// 根据人流密度 D(st) 动态生成缓冲区半径
const radius = densityValue * scaleFactor; 
const buffer = turf.buffer(pointAtScenic, radius, {units: 'meters'});

部署方案

微服务拆分

• 路线生成服务：GPU实例运行大模型
• 实时计算服务：Kafka处理传感器数据流
• 静态资源：对象存储CDN加速地图瓦片加载

即时校验 (前端 Turf.js)：

1. 用户在 Element Plus 的行程抽屉中拖拽景点顺序。
2. 前端立即调用 turf.distance 计算相邻景点的物理冲突。
3. 如果 Time_{gap} 明显小于 Dist/Speed，直接在 UI 上将连接线变红。

深度优化 (后端 MCTS)：

1. 当用户点击“AI 自动优化”时，将前端初步校验后的坐标串发给 Spring Boot。
2. 后端运行 MCTS 效用最大化函数，通过 αU+βC-γD 寻找全局最优解。

结果回显 (地图API规划 + Turf)：

1. 后端返回优化后的路径序列。
2. 前端使用 贝塞尔曲线对路径进行平滑处理，增加视觉上的高级感。