aliausaf777/AI-Based--Governance-Decision-Dashboard

🏛️ 基于人工智能的治理决策仪表板 一个智能的公众投诉管理系统，使用自然语言处理、基于规则的严重程度推断和交互式数据可视化，帮助政府官员做出更快、更公平、更透明的决策。 🔍 概述 传统治理系统难以有效管理每年收到的数百万公民投诉。人工分类速度慢、不一致，且缺乏预测能力——导致响应延迟和公共服务效果不佳。 基于人工智能的治理决策仪表板通过以下方式解决这一问题： 使用加权关键词自然语言处理分析公民投诉文本 为每条投诉分配严重程度分数 检测跨部门和地理区域的关键热点 生成可解释的人工智能政策建议，供政府立即采取行动 作为人工智能基础课程项目开发，CSE系——数据科学专业，Aurora's高等教育与研究学院（被视为大学），海得拉巴——2025-26。 ✨ 功能 功能描述🔤 加权关键词自然语言处理使用分层关键词权重（严重=3，高=2，一般=1）自动为投诉文本打分📊 交互式可视化由Plotly驱动的条形图、环形饼图和严重程度热力图🗺️ 地理模式检测识别5个城市区域中投诉最密集的地理区域🤖 人工智能决策引擎自动显示优先部门和关键位置🔍 可解释人工智能面板为每个人工智能生成的建议提供清晰的英文理由🎛️ 实时过滤侧边栏多选过滤器即时更新所有图表和人工智能输出💻 终端模式轻量级main.py CLI版本，适用于无浏览器环境📋 高严重程度表格按紧急程度排序的严重/高投诉筛选列表 🏗️ 系统架构 complaints.csv │ ▼ ┌─────────────────────────────┐ │ 数据加载与标准化 │ ← 列自动检测、空格去除 └────────────┬────────────────┘ │ ▼ ┌─────────────────────────────┐ │ 加权关键词自然语言处理引擎 │ ← 严重程度评分（上限为10） └────────────┬────────────────┘ │ ▼ ┌─────────────────────────────┐ │ 过滤与聚合模块 │ ← 部门×位置分组 └────────────┬────────────────┘ │ ┌──────┴──────┐ ▼ ▼ ┌──────────┐ ┌──────────────────┐ │ 可视化 │ │ 人工智能决策引擎│ │ 条形图 │ │ 优先部门 │ │ 饼图 │ │ 关键位置 │ │ 热力图 │ │ 政策卡片 │ │ 表格 │ └──────────────────┘ └──────────┘ │ ▼ ┌─────────────────────┐ │ XAI推理面板 │ ← 完整的英文决策理由 └─────────────────────┘ 🛠️ 技术栈 语言：Python 3.13 Web框架：Streamlit 数据处理：Pandas 可视化：Plotly Express、Plotly Graph Objects IDE：Visual Studio Code 数据集：complaints.csv（150条公民投诉记录） ⚙️ 安装 前置条件 Python 3.10或更高版本 pip 步骤 bash# 1. 克隆仓库 git clone https://github.com/your-username/ai-governance-dashboard.git cd ai-governance-dashboard # 2. 安装依赖 pip install streamlit pandas plotly # 3. 确保数据集位于根目录 # complaints.csv应与app.py位于同一文件夹 🚀 使用 Web仪表板（Streamlit） bashstreamlit run app.py 然后在浏览器中打开 http://localhost:8501。 终端/CLI版本 bashpython main.py 直接在终端打印部门排名、严重程度分析和人工智能政策建议——无需浏览器。 ⚙️ 工作原理 1. 严重程度评分（加权关键词自然语言处理） 每条投诉文本都会扫描预定义的关键词，并带有分层权重： 层级关键词（示例）权重🔴 严重accident、contaminated、unsafe、emergency3🟠 高broken、failure、damage、blocked2🟡 一般problem、dirty、slow、no、not working1 严重程度评分公式： S(c) = Σ W(k) 对于在complaint_text(c)中找到的每个关键词k S(c) = min(S(c), 10) ← 上限为10 严重程度标签： 分数标签5–10🔴 严重3–4🟠 高2🟡 中等0–1🟢 低 2. 优先级检测 优先部门 = 按部门分组的Σ S(c)最大值 关键位置 = 按位置分组的Σ S(c)最大值 3. 可解释人工智能 XAI推理面板生成完整的英文解释，包括： 分析的投诉总数 优先部门 + 累计分数 关键位置 + 累计分数 应用的所有人工智能方法（加权自然语言处理、基于规则的推理、地理模式检测等） 📁 数据集 complaints.csv文件包含150条公民投诉记录，具有以下结构： 列描述complaint_id唯一投诉标识符department政府部门（水、道路、卫生、电力、卫生等）complaint_text公民提交的原始投诉文本location地理区域（Area A – Area E）date提交日期 示例记录： ID部门投诉文本位置分数标签C-001环境建筑工地导致道路附近事故Area D6🔴 严重C-002水饮用水受污染且不安全Area E7🔴 严重C-003道路道路损坏严重Area B4🟠 高C-004水该地区停水两天Area A3🟠 高C-005电力电力部门响应缓慢Area C1🟡 中等 📊 结果 测试期间所有核心系统目标均已达成： 部门优先级排名（完整数据集——150条记录）： 排名部门投诉数严重程度分数状态第1名水3268🔴 优先第2名道路2854🟠 高第3名卫生2447🟡 监控第4名电力2241🟡 监控第5名卫生 sanitation1829🟢 标准 位置优先级排名： 排名位置投诉数严重程度分数状态第1名Area E3879🔴 关键区域第2名Area B3161🟠 高风险第3名Area A2953🟡 升高第4名Area D2647🟢 标准第5名Area C2643🟢 标准 人工智能政策建议：部署现场干预小组到Area E，从水利部门开始。 📂 项目结构 ai-governance-dashboard/ │ ├── app.py # 主Streamlit Web仪表板 ├── main.py # 终端/CLI版本 ├── complaints.csv # 公民投诉数据集（150条记录） └── README.md 模块分解（app.py） 模块职责数据加载与标准化读取CSV、去除空格、自动检测列名加权关键词自然语言处理扫描投诉文本，计算严重程度分数和标签过滤与聚合侧边栏下拉菜单、实时分组操作可视化条形图、饼图、热力图、严重程度表格人工智能决策引擎识别优先部门和关键位置XAI推理面板为所有决策生成英文解释 👥 团队 姓名学号Mohammed Azhad Ali Ausaf241U1R3025A. Bhanu Prasad241U1R3016MD Firasath241U1R3022 指导老师：Mr. Mani Sarma V，助理教授，CSE系 机构：Aurora's高等教育与研究学院（被视为大学），海得拉巴 📚 参考资料 MDPI Applied Sciences（2025）——使用人工智能主动管理公共部门投诉 Atlantis Press（2023）——基于人工智能的便捷投诉解决方案 Springer AI & Ethics（2025）——人工智能治理：系统文献综述 ScienceDirect GIQ（2021）——人工智能在公共治理中的影响 ScienceDirect GIQ（2024）——政府可解释人工智能 PMC PubMed Central（2024）——人工智能与政府数字化转型

标签：Kubernetes, NLP, Plotly, Python, 人工智能, 公共投诉管理, 决策支持系统, 加权关键词, 可解释AI, 地理信息系统, 政务治理, 政府数字化, 政策分析, 文本分析, 无后门, 智能仪表板, 热力图, 用户模式Hook绕过, 监管合规, 逆向工具