RamK2006/Event-Driven-Congestion-Intelligence-System

# 🛡️ 事件影响与响应智能平台 [](https://python.org) [](https://flask.palletsprojects.com) [](https://lightgbm.readthedocs.io) [](https://leafletjs.com) [](LICENSE)

实时演示 • 功能 • 架构 • API 参考 • 本地开发 • 部署

## 📢 诚实的重构（必要披露） ## 实时演示 | 组件 | URL | |-----------|-----| | 🖥️ **前端仪表板** | [dashboard-tan-ten-51.vercel.app](https://dashboard-tan-ten-51.vercel.app) | | ⚙️ **后端 API** | [event-driven-congestion-intelligence.onrender.com](https://event-driven-congestion-intelligence.onrender.com) | | 💚 **健康检查** | [`/api/health`](https://event-driven-congestion-intelligence.onrender.com/api/health) | ## 功能 ### 🗺️ 事件地图 所有历史事件按经纬度绘制，按优先级进行颜色编码（高 = 红色，低 = 绿色），并带有 HDBSCAN 热点集群覆盖和标记聚类。 ### 🔮 新事件预测 提交位置、原因、车辆类型和日期时间 → 实时获取预测的优先级、封闭可能性、清理时间以及启发式分流建议。 ### 👮 警察局工作量 交互式条形图 + 各站点事件负载排名表，可按时间窗口过滤。识别超负荷的站点以进行资源再平衡。 ### 📊 历史趋势 随时间变化的事件计数，包含月度、小时和星期视图。可按原因、走廊和区域过滤。 ## 架构 ``` ┌─────────────────────────────────────────────────────┐ │ Data Layer │ │ Cleaned CSV → Feature Engineering → Target Derivation│ └──────────────────────┬──────────────────────────────┘ │ ┌──────────────────────┴──────────────────────────────┐ │ Modeling Layer │ │ LightGBM × 3 │ HDBSCAN Clustering │ Heuristic │ │ (Priority, │ (Hotspot Detection) │ Diversion │ │ Closure, │ │ Lookup │ │ Clearance) │ │ Table │ └──────────────────────┬──────────────────────────────┘ │ ┌──────────────────────┴──────────────────────────────┐ │ Flask REST API (Backend) │ │ /api/predict │ /api/events │ /api/workload │ ... │ └──────────────────────┬──────────────────────────────┘ │ ┌──────────────────────┴──────────────────────────────┐ │ Event Command Center Dashboard (Frontend) │ │ Leaflet Map │ Prediction Form │ Workload │ Trends │ │ │ │ Panel │ Panel │ │ Professional four-panel operations UI │ └─────────────────────────────────────────────────────┘ ``` ## 模型 | 模型 | 目标 | 算法 | 关键指标 | |-------|--------|-----------|------------| | **A** | 优先级（高/低） | LightGBM Classifier | Precision, Recall, F1, ROC-AUC | | **B** | 道路封闭（是/否） | LightGBM Classifier | Precision, Recall, F1, ROC-AUC | | **C** | 清理时间（分钟） | LightGBM Regressor | MAE, RMSE, Median AE | - **调优**：使用 Optuna 进行超参数搜索，具有可配置的试验预算（`--trials`） - **特征工程**：时间/周期性特征、位置密度、H3 单元格、历史频率信号、关键词标记、交互特征以及防泄漏的目标编码 - **数据集划分**：80/20，分类模型采用分层抽样 - **类别平衡**：在适用时使用 LightGBM 类别加权 / 正类缩放 - **产物**：`models/` 中拟合好的模型包，`data/feature_config.json` 中的特征契约，以及 `outputs/model_diagnostics/` 中的诊断信息 - **完整指标**：参见 `outputs/model_evaluation_report.json` ## API 参考 所有端点均由 Flask 后端提供。 ### 健康与状态 | 方法 | 端点 | 描述 | |--------|----------|-------------| | `GET` | `/api/health` | 健康检查 — 返回模型/数据加载状态 | | `GET` | `/api/filters` | 可用的过滤选项（原因、走廊、区域） | | `GET` | `/api/evaluation` | 模型评估指标 | ### 数据端点 | 方法 | 端点 | 描述 | |--------|----------|-------------| | `GET` | `/api/events` | 所有历史事件（用于地图显示） | | `GET` | `/api/events/summary` | 汇总摘要统计信息 | | `GET` | `/api/hotspots` | HDBSCAN 热点集群数据 | | `GET` | `/api/diversions` | 完整的分流查找表 | | `GET` | `/api/diversions/:corridor` | 特定走廊的分流建议 | ### 分析端点 | 方法 | 端点 | 查询参数 | 描述 | |--------|----------|-------------|-------------| | `GET` | `/api/workload` | `start_date`, `end_date` | 警察局工作量数据 | | `GET` | `/api/trends` | `cause`, `corridor`, `zone` | 历史趋势数据（月度、小时、每日） | ### 预测 | 方法 | 端点 | 请求体 | 描述 | |--------|----------|------|-------------| | `POST` | `/api/predict` | `{latitude, longitude, event_cause, veh_type, event_type, datetime_str}` | 返回优先级、封闭、清理时间预测 + 分流建议 |

预测请求示例

``` curl -X POST https://your-backend-url/api/predict \ -H "Content-Type: application/json" \ -d '{ "latitude": 12.9716, "longitude": 77.5946, "event_cause": "accident", "veh_type": "heavy_vehicle", "event_type": "unplanned", "datetime_str": "2025-06-15T14:30:00" }' ```

## 本地开发 ### 前置条件 - Python 3.11+ - pip ### 设置 ``` # 1. Clone 仓库 git clone https://github.com//.git cd # 2. 创建并激活虚拟环境 python -m venv .venv # Windows: .\.venv\Scripts\activate # Linux/Mac: source .venv/bin/activate # 3. 安装依赖 pip install -r requirements.txt # 4. 运行完整的离线 pipeline (features + models + hotspots + diversions) # Cheap smoke run: python run.py --trials 10 # Final training run: python run.py --trials 100 # 或者仅使用显式 tuning budget 重新训练 models python src/train_models.py --trials 100 # 5. 启动服务器 (同时提供 API + dashboard) python src/server.py # 6. 打开浏览器 # 导航至 http://localhost:5000 ``` ## 部署 ### 后端 — Render（免费层） 1. 将此 repo 推送到 GitHub 2. 访问 [render.com](https://render.com) → **New** → **Web Service** 3. 连接您的 GitHub repository 4. 配置： - **Root Directory**：_（留空）_ - **Build Command**：`pip install -r requirements.txt` - **Start Command**：`gunicorn wsgi:app --bind 0.0.0.0:$PORT --workers 2 --timeout 120` - **Instance Type**：Free 5. 部署 → 复制生成的 URL（例如 `https://your-app.onrender.com`） 6. 验证：`curl https://your-app.onrender.com/api/health` ### 前端 — Vercel（免费层） 1. 访问 [vercel.com](https://vercel.com) → **New Project** 2. 导入相同的 GitHub repository 3. 配置： - **Root Directory**：`dashboard` - **Framework Preset**：Other 4. 部署前，在 `dashboard/index.html` 中添加后端 API 配置： 5. 部署 → 您的仪表板将通过全球 CDN 上线 ### 环境变量（可选） | 变量 | 默认值 | 描述 | |----------|---------|-------------| | `PORT` | `5000` | 服务器端口（由 Render 自动设置） | | `CORS_ORIGINS` | `*` | CORS 允许的来源，以逗号分隔 | ## 数据集 - **来源**：Astram 事件数据（匿名化） — 班加罗尔交通中断事件 - **行数**：8,173 条事件生命周期记录 - **覆盖范围**：94.3% 为计划外事件，5.7% 为计划内事件 - **未使用外部数据**（假日日历是一个静态硬编码的参考表） ## 技术栈 | 组件 | 技术 | 版本 | |-----------|-----------|---------| | Backend | Python, Flask, Flask-CORS | 3.11+, 3.x | | ML | LightGBM, scikit-learn, HDBSCAN | 4.x, 1.9+, 0.8+ | | Spatial | H3, Leaflet.js | 4.x, 1.9.4 | | Charts | Chart.js | 4.4.0 | | Explainability | SHAP | 0.52+ | | Production | Gunicorn | 21.2+ | ## 文件结构 ``` ├── dashboard/ # Frontend (static HTML/CSS/JS) │ ├── index.html # Event Command Center │ ├── style.css # Premium dark theme │ ├── app.js # Dashboard logic │ └── vercel.json # Vercel deployment config ├── src/ │ ├── __init__.py # Package init │ ├── data_pipeline.py # Data cleaning + feature engineering │ ├── train_models.py # LightGBM training + evaluation │ ├── clustering.py # HDBSCAN hotspot detection │ ├── diversion.py # Co-occurrence diversion heuristic │ └── server.py # Flask API server ├── data/ # Generated: cleaned datasets ├── models/ # Trained model files (.pkl) ├── outputs/ # Evaluation reports, clusters, diversions ├── run.py # Pipeline orchestrator ├── wsgi.py # WSGI entry point (gunicorn) ├── requirements.txt # Python dependencies ├── Procfile # Render/Heroku process file ├── render.yaml # Render Blueprint ├── runtime.txt # Python version spec ├── .gitignore # Git ignore rules └── README.md # This file ``` ## 已知限制 1. **分流建议**是启发式且基于共现的 — 它们展示的是历史上相关的替代走廊，而不是最短路径路由。未使用道路网络图。 2. **Render 免费层**可能会遇到冷启动（在不活动一段时间后，首次请求时约有 30 秒的启动时间）。 3. **清理时间预测**仅适用于有记录解决结果（封闭/已解决状态）的事件。根据设计，仍标记为“活跃”的事件被排除在此模型的训练之外，因为它们缺乏真实值清理持续时间。 ## License 本项目为 GridLock 黑客马拉松 构建。请查看 repository 了解 License 详情。

标签：AI, Flask, LightGBM, Python, Web, 交通管理, 数据, 无后门, 自动化代码审查, 逆向工具