Prince-1302/trafficsense

# TrafficSense — 班加罗尔交通指挥平台 🚦 **TrafficSense** 是一个先进的、基于 AI 的交通管理和事件响应平台，专为 **Flipkart Gridlock Hackathon** 打造。它通过预测事件引发的交通瘫痪、智能调配交通警察、建议实时绕行路线以及赋能市民上报突发事件，来解决班加罗尔臭名昭著的交通拥堵问题。 ## 🌟 核心功能 该平台分为三个全面且互联互通的仪表板： ### 1. 管理指挥中心 (Police HQ) - **实时概览：** 显示活跃的严重警报、道路封闭和已部署警力的实时 KPI。 - **AI 事件评分：** 使用训练好的 Machine Learning 模型，自动为新增事件分配优先级（Low/Medium/High）和 Impact Score (0-100)。 - **智能部署：** 根据事件的严重程度和位置，计算所需的交通管制人员的准确数量。 - **分析与预测：** 可视化交通趋势、各区域的事件分布，并预测未来的高风险时段。 - **市民报告核实：** 管理员可以审查公众报告、查看上传的照片，并只需单击即可将经过验证的报告转化为官方的实时事件。 ### 2. 交通管制仪表板 (Field Officers) - **特定区域追踪：** 警员只能看到与其被指派区域相关的事件。 - **交互式路线规划：** 集成 Leaflet 地图，显示事件的精确位置和活跃的路障。 - **AI 路线绕行：** 自动生成并显示建议的替代路线，以引导交通避开拥堵路段。 - **事件解决：** 警员可以上传清场证明照片、添加现场记录，并将事件标记为“Resolved”（已解决），同时实时更新管理仪表板。 ### 3. 公众查看仪表板 (Citizens) - **班加罗尔实时地图：** 全屏交互式城市地图，显示所有已验证的活跃事件，并按严重程度进行颜色编码（🔴 High，🟠 Medium，🔵 Low，🟣 Road Closure）。 - **Impact Score 检查器：** 允许市民输入地点，并在开始通勤前计算潜在的交通风险。 - **市民报告门户：** 专用的表单，供公众直接向控制室报告事故、积水、坑洼或车辆故障，并支持上传 GPS 定位和照片。 ## 🛠️ 技术栈与实现 **TrafficSense** 的构建重点在于绝对的性能、快速的原型开发以及令人惊艳的“glassmorphism”（毛玻璃）美学。 ### 前端架构 - **核心：** 纯 HTML5、Vanilla CSS3 和 Vanilla JavaScript。（未使用 React/Angular 等庞大的 JS 框架，以确保零延迟性能和即时加载时间）。 - **地图：** [Leaflet.js](https://leafletjs.com/) 集成了 OpenStreetMap 图块，可提供丰富、交互且轻量级的地理可视化。 - **图表：** [Chart.js](https://www.chartjs.org/) 用于渲染动态的、带动画的分析图表和优先级分布图。 - **设计系统：** 自定义 CSS 变量、平滑的微动画、模糊背景，以及精致的深色/浅色模式切换。 - **状态管理：** 利用浏览器的 `localStorage` 在所有三个仪表板之间无缝同步实时数据，而无需在原型阶段使用复杂的数据库。 ### 后端与 AI 架构 - **服务器：** 使用 Python 和 [Flask](https://flask.palletsprojects.com/) 提供轻量级的 REST API。 - **Machine Learning：** [Scikit-Learn](https://scikit-learn.org/) (RandomForestClassifier 和 RandomForestRegressor)。 - **数据：** 基于包含班加罗尔历史交通事件的模拟数据集 (`Astram event data_anonymized.csv`) 进行训练。 - **模型 Pipeline (`train_model.py`)：** - 提取的特征包括时间、事件原因、区域和道路封闭状态。 - 生成 `trafficsense_model.pkl`，用于预测 Priority（优先级 - 分类）和 Impact Score（影响分数 - 回归）。 ## 🚀 设置与安装指南 您可以通过两种模式运行此项目：**Full AI Mode** 或 **Offline Fallback Mode**。 ### 第一步：克隆并设置环境 确保您已安装 Python 3.8+。 ``` git clone cd pip install -r requirements.txt ``` ### 第二步：（可选）重新训练 AI 模型 如果您想从 CSV 数据集生成全新的模型： ``` python train_model.py ``` *这将创建一个新的 `trafficsense_model.pkl` 文件。* ### 第三步：启动后端 AI 服务器 启动 Flask API，以便仪表板可以与训练好的模型进行通信： ``` python app.py ``` *保持此终端窗口打开。服务器将在 `http://localhost:5000` 上运行。* ### 第四步：启动平台 1. 在任何现代 Web 浏览器中打开 `index.html`（或使用 VS Code Live Server）。 2. 使用着陆页上的导航按钮在 **Admin**、**Traffic Controller** 和 **Public** 视图之间切换。 3. 测试流程：在 Public Dashboard 中创建市民报告 -> 在 Admin Dashboard 中进行验证 -> 在 Controller Dashboard 中解决它！ ## 🛡️ 降级机制（离线模式） 如果您需要在严格的网络环境或没有 Python 的机器上演示该项目，**前端永远不会崩溃**。 JavaScript 架构包含一个强大的**降级机制**。如果它尝试访问 `http://localhost:5000/predict` 且服务器处于关闭状态，它会自动切换到数学启发式引擎。它会在浏览器本地根据事件的参数计算优先级和分数（例如，Road Closures 会使分数瞬间增加 30 分），从而确保每次演示都能完美无瑕。

标签：Apex, Leaflet, 后端开发, 数据可视化, 智慧交通, 机器学习, 调度指挥系统, 路径规划, 逆向工具