Python+Flask智慧交通客流量预测系统：线性回归与数据可视化实践

这次我们来看一个基于 Python 的智慧交通客流量分析预测系统，这是一个典型的计算机毕业设计项目，结合了交通大数据分析、线性回归预测和数据可视化技术。对于需要完成大数据或人工智能相关毕业设计的同学来说，这个项目提供了完整的解决方案。

项目采用 Python + Flask 技术栈，核心功能包括交通数据的采集、清洗、分析和预测，最终通过可视化界面展示客流趋势和预测结果。最值得关注的是，这个系统不仅实现了基础的线性回归预测模型，还集成了完整的前后端交互，适合作为毕业设计展示或小型智慧交通系统的原型开发。

1. 核心能力速览

2. 适用场景与使用边界

这个智慧交通客流量分析系统主要适合以下人群和使用场景：

适用场景：

• 计算机相关专业毕业设计项目
• 大数据分析课程实践
• 智慧交通系统原型开发
• Python 数据科学学习项目
• 交通管理部门的数据分析需求

使用边界：

• 系统使用模拟或脱敏的交通数据，不涉及真实个人隐私信息
• 预测结果仅供参考，不能直接用于实际交通调度决策
• 需要使用者具备基本的 Python 环境搭建能力
• 可视化效果依赖前端图表库的兼容性

3. 环境准备与前置条件

在开始部署这个智慧交通分析系统之前，需要确保本地环境满足以下要求：

操作系统要求：

• Windows 10/11、macOS 10.14+ 或 Ubuntu 16.04+ 等主流操作系统

Python 环境：

• Python 3.7 或更高版本（推荐 Python 3.8+）
• 需要安装 pip 包管理工具

磁盘空间：

• 至少 500MB 可用空间（用于安装依赖包和存储数据文件）

网络连接：

• 需要互联网连接以下载 Python 依赖包

端口占用：

• Flask 默认使用 5000 端口，确保该端口未被占用或准备修改配置

4. 安装部署与启动方式

4.1 创建项目目录结构

首先创建项目目录，建议按以下结构组织：

smart-traffic-analysis/ ├── app.py # Flask 主程序 ├── requirements.txt # 依赖包列表 ├── data/ │ ├── traffic_data.csv # 交通数据文件 ├── static/ │ ├── css/ # 样式文件 │ ├── js/ # JavaScript 文件 │ └── images/ # 图片资源 └── templates/ # HTML 模板文件

4.2 安装 Python 依赖包

创建 requirements.txt 文件，包含以下依赖：

Flask==2.3.3 pandas==2.0.3 numpy==1.24.3 scikit-learn==1.3.0 matplotlib==3.7.2 seaborn==0.12.2 plotly==5.15.0 joblib==1.3.2

使用 pip 安装所有依赖：

# 创建虚拟环境（可选但推荐） python -m venv venv # 激活虚拟环境 # Windows: venv\Scripts\activate # macOS/Linux: source venv/bin/activate # 安装依赖包 pip install -r requirements.txt

4.3 准备示例数据

创建示例交通数据文件data/traffic_data.csv：

date,time,location,passenger_count,vehicle_count,weather,temperature 2024-01-01,08:00,地铁站A,1250,320,晴,25 2024-01-01,09:00,地铁站A,1450,380,晴,26 2024-01-01,10:00,地铁站A,980,280,晴,27 2024-01-01,11:00,地铁站A,850,240,晴,28 2024-01-01,12:00,地铁站A,1100,300,晴,29

4.4 创建 Flask 主程序

编写app.py文件：

from flask import Flask, render_template, request, jsonify import pandas as pd import numpy as np from sklearn.linear_model import LinearRegression from sklearn.model_selection import train_test_split from sklearn.metrics import mean_squared_error, r2_score import matplotlib.pyplot as plt import io import base64 import json from datetime import datetime, timedelta app = Flask(__name__) # 加载交通数据 def load_traffic_data(): try: df = pd.read_csv('data/traffic_data.csv') df['datetime'] = pd.to_datetime(df['date'] + ' ' + df['time']) return df except FileNotFoundError: # 生成示例数据 dates = pd.date_range(start='2024-01-01', end='2024-03-31', freq='H') passenger_counts = np.random.poisson(1000, len(dates)) + np.sin( np.arange(len(dates)) * 2 * np.pi / 24) * 200 ) df = pd.DataFrame({ 'datetime': dates, 'passenger_count': passenger_counts.ast(int) }) return df # 线性回归预测模型 def train_prediction_model(df): # 提取时间特征 df['hour'] = df['datetime'].dt.hour df['day_of_week'] = df['datetime'].dt.dayofweek df['is_weekend'] = df['day_of_week'].isin([5, 6]).astype(int) # 准备特征和目标变量 X = df[['hour', 'day_of_week', 'is_weekend']] y = df['passenger_count'] # 分割数据集 X_train, X_test, y_train, y_test = train_test_split( X, y, test_size=0.2, random_state=42 ) # 训练模型 model = LinearRegression() model.fit(X_train, y_train) # 评估模型 y_pred = model.predict(X_test) mse = mean_squared_error(y_test, y_pred) r2 = r2_score(y_test, y_pred) return model, mse, r2 @app.route('/') def index(): return render_template('index.html') @app.route('/api/data') def get_traffic_data(): df = load_traffic_data() return jsonify(df.tail(100).to_dict('records')) @app.route('/api/predict', methods=['POST']) def predict_traffic(): data = request.json hours_ahead = data.get('hours', 24) df = load_traffic_data() model, mse, r2 = train_prediction_model(df) # 生成未来时间点预测 last_time = df['datetime'].max() future_times = [last_time + timedelta(hours=i) for i in range(1, hours_ahead+1)] predictions = [] for time in future_times: features = [[time.hour, time.weekday(), 1 if time.weekday() in [5,6] else 0]] pred_count = model.predict(features)[0] predictions.append({ 'datetime': time.strftime('%Y-%m-%d %H:%M'), 'predicted_count': max(0, int(pred_count)) }) return jsonify({ 'predictions': predictions, 'model_metrics': {'mse': mse, 'r2_score': r2} }) @app.route('/api/visualization') def get_visualization(): df = load_traffic_data() # 创建可视化图表 plt.figure(figsize=(12, 6)) plt.plot(df['datetime'], df['passenger_count'], label='实际客流量') plt.title('交通客流量趋势分析') plt.xlabel('时间') plt.ylabel('客流量') plt.legend() plt.xticks(rotation=45) plt.tight_layout() # 转换为 base64 图片 img = io.BytesIO() plt.savefig(img, format='png') img.seek(0) img_base64 = base64.b64encode(img.getvalue()).decode() return jsonify({'image': f'data:image/png;base64,{img_base64}'}) if __name__ == '__main__': app.run(debug=True, host='127.0.0.1', port=5000)

4.5 创建前端界面

创建templates/index.html文件：

<!DOCTYPE html> <html lang="zh-CN"> <head> <meta charset="UTF-8"> <meta name="viewport" content="width=device-width, initial-scale=1.0"> <title>智慧交通客流量分析预测系统</title> <script src="https://cdn.plot.ly/plotly-latest.min.js"></script> <style> body { font-family: Arial, sans-serif; margin: 0; padding: 20px; } .container { max-width: 1200px; margin: 0 auto; } .chart-container { margin: 20px 0; height: 400px; } .controls { margin: 20px 0; } button { padding: 10px 20px; margin: 5px; } </style> </head> <body> <div class="container"> <h1>智慧交通客流量分析预测系统</h1> <div class="controls"> <button onclick="loadCurrentData()">加载当前数据</button> <button onclick="predictTraffic(24)">预测未来24小时</button> <button onclick="predictTraffic(168)">预测未来一周</button> </div> <div id="currentChart" class="chart-container"></div> <div id="predictionChart" class="chart-container"></div> <div id="modelMetrics"></div> </div> <script> function loadCurrentData() { fetch('/api/data') .then(response => response.json()) .then(data => { const dates = data.map(d => d.datetime); const counts = data.map(d => d.passenger_count); Plotly.newPlot('currentChart', [{ x: dates, y: counts, type: 'line', name: '客流量' }], { title: '当前客流量趋势', xaxis: { title: '时间' }, yaxis: { title: '客流量' } }); }); } function predictTraffic(hours) { fetch('/api/predict', { method: 'POST', headers: { 'Content-Type': 'application/json' }, body: JSON.stringify({ hours: hours }) }) .then(response => response.json()) .then(data => { const predictions = data.predictions; const dates = predictions.map(p => p.datetime); const counts = predictions.map(p => p.predicted_count); Plotly.newPlot('predictionChart', [{ x: dates, y: counts, type: 'line', name: '预测客流量' }], { title: `未来${hours}小时客流量预测`, xaxis: { title: '时间' }, yaxis: { title: '预测客流量' } }); document.getElementById('modelMetrics').innerHTML = ` <h3>模型评估指标</h3> <p>均方误差 (MSE): ${data.model_metrics.mse.toFixed(2)}</p> <p>R² 分数: ${data.model_metrics.r2_score.toFixed(4)}</p> `; }); } // 页面加载时自动显示当前数据 window.onload = loadCurrentData; </script> </body> </html>

4.6 启动系统

完成以上文件配置后，启动 Flask 服务器：

python app.py

服务启动后，在浏览器中访问http://127.0.0.1:5000即可看到系统界面。

5. 功能测试与效果验证

5.1 数据加载功能测试

测试目的：验证系统能否正确加载和显示交通数据

操作步骤：

1. 启动 Flask 服务
2. 访问系统首页
3. 点击"加载当前数据"按钮

预期结果：

• 页面显示客流量趋势折线图
• 图表应包含时间轴和客流量数据点
• 数据点应正确对应 CSV 文件中的记录

判断成功标准：

• 图表正常渲染，无错误提示
• 数据点数量与 CSV 文件记录数一致
• 时间轴显示正确的时间格式

5.2 预测功能测试

测试目的：验证线性回归预测模型的准确性

操作步骤：

1. 确保已有历史数据加载成功
2. 点击"预测未来24小时"按钮
3. 观察预测结果图表和模型评估指标

预期结果：

• 显示未来24小时的客流量预测曲线
• 模型评估指标显示 MSE 和 R² 分数 文章中...