网站排名软件网址做外贸兼职的网站设计

网站排名软件网址,做外贸兼职的网站设计,番禺网页设计公司,怎样在国外网站购买新鲜橙花做纯露使用python基于Streamlit构建的跨城市人类移动行为预测系统#xff0c;利用迁移学习技术将源城市的丰富数据知识迁移到目标城市进行流量预测。一、整体设计1. 应用类型交互式Web应用#xff1a;使用Streamlit构建#xff0c;支持实时数据生成、模型训练、预测和可视化数据科…使用python基于Streamlit构建的跨城市人类移动行为预测系统利用迁移学习技术将源城市的丰富数据知识迁移到目标城市进行流量预测。一、整体设计1. 应用类型交互式Web应用使用Streamlit构建支持实时数据生成、模型训练、预测和可视化数据科学演示系统展示迁移学习在时空预测中的应用2. 技术栈分层前端展示层Streamlit Plotly Matplotlib/Seaborn模型算法层Scikit-learn RandomForest 自定义迁移学习逻辑数据处理层Pandas NumPy可视化层多图表联动展示二、核心功能模块1. 数据生成模块 (generate_city_data)创新点模拟不同城市的交通流量特征北京早晚高峰明显典型上班族模式上海夜间经济活跃商业城市特征深圳夜间活动较少制造业城市特征技术细节# 时空特征构建 hour_pattern [0.3, 0.2, 0.1, ...] # 24小时模式 weekday_factor np.where(dates.weekday 5, 1.0, 0.8) # 工作日/周末差异 region_factor np.random.uniform(0.7, 1.3) # 区域异质性2. 可视化引擎桑基图分析​ (prepare_sankey_data)将一天分为4个时段深夜、上午、下午、晚上展示区域-时段流量分布关系连线宽度表示流量强度直观展示时空模式多维度图表时间序列图区域流量随时间变化桑基图区域流量时空分布热力图区域×小时流量矩阵对比图跨城市模式对比预测图历史未来预测误差分析图预测vs实际散点3. 迁移学习模型 (CrossCityTransferModel)特征工程创新# 周期性特征处理时间序列的周期性 hour_sin sin(2π * hour / 24) # 保持周期性 hour_cos cos(2π * hour / 24) # 滞后特征捕捉时间依赖性 df[traffic_lag_1] # 1小时前 df[traffic_lag_24] # 24小时前日周期 # 滚动统计特征 df[traffic_rolling_mean_6] # 6小时移动平均 df[traffic_rolling_std_12] # 12小时移动标准差迁移策略源域训练在数据丰富的源城市训练完整模型目标域适配直接迁移直接应用源模型微调迁移用少量目标数据微调模型参数特征对齐确保源域和目标域特征空间一致4. 预测模块创新性多步滚动预测# 自回归预测 for hour in range(hours_ahead): # 1. 更新未来时间点的时间特征 # 2. 用最新预测值更新滞后特征 # 3. 预测下一个时间点 # 4. 将预测值加入历史序列三、工作流程阶段1数据生成与探索用户选择城市 → 生成模拟数据 → 可视化探索 → 理解数据模式阶段2模型训练与迁移源城市训练 → 特征提取 → 迁移到目标城市 → 评估性能阶段3预测与分析选择区域 → 生成预测 → 结果可视化 → 下载预测结果四、完整代码import streamlit as st import pandas as pd import numpy as np import plotly.graph_objects as go import plotly.express as px from plotly.subplots import make_subplots import matplotlib.pyplot as plt import seaborn as sns from datetime import datetime, timedelta import random from sklearn.ensemble import RandomForestRegressor from sklearn.preprocessing import StandardScaler from sklearn.model_selection import train_test_split from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score import warnings warnings.filterwarnings(ignore) # 设置页面配置 st.set_page_config( page_title跨城市人类移动行为, page_icon️, layoutwide ) # 应用标题和描述 st.title(跨城市人类移动行为) st.markdown( 基于迁移学习的跨城市流量预测通过源城市的丰富数据预测目标城市的移动模式。 ) # 侧边栏 st.sidebar.header(系统配置) # 模拟数据生成函数 st.cache_data def generate_city_data(city_name, n_days30, n_regions20, seed42): 生成城市移动数据 np.random.seed(seed) # 生成日期范围 dates pd.date_range(start2024-01-01, periodsn_days * 24, freqH) # 为不同城市设置不同的流量模式 if city_name 北京: base_traffic np.random.normal(1000, 200, len(dates)) # 北京的早晚高峰更明显 hour_pattern np.array([0.3, 0.2, 0.1, 0.1, 0.2, 0.5, 1.2, 1.8, 1.5, 1.2, 1.1, 1.0, 1.0, 0.9, 1.0, 1.2, 1.5, 1.8, 1.6, 1.3, 1.0, 0.7, 0.5, 0.4]) elif city_name 上海: base_traffic np.random.normal(900, 180, len(dates)) # 上海的夜间经济更活跃 hour_pattern np.array([0.4, 0.3, 0.2, 0.2, 0.3, 0.6, 1.0, 1.5, 1.4, 1.3, 1.2, 1.1, 1.1, 1.0, 1.1, 1.3, 1.6, 1.7, 1.8, 1.6, 1.3, 1.0, 0.7, 0.5]) elif city_name 深圳: base_traffic np.random.normal(800, 150, len(dates)) # 深圳的夜间活动较少 hour_pattern np.array([0.2, 0.1, 0.1, 0.1, 0.2, 0.4, 1.0, 1.6, 1.5, 1.3, 1.2, 1.1, 1.1, 1.0, 1.1, 1.2, 1.4, 1.5, 1.3, 1.1, 0.9, 0.6, 0.4, 0.3]) else: # 目标城市 base_traffic np.random.normal(700, 120, len(dates)) hour_pattern np.array([0.3, 0.2, 0.1, 0.1, 0.2, 0.5, 1.1, 1.6, 1.4, 1.2, 1.1, 1.0, 1.0, 0.9, 1.0, 1.1, 1.3, 1.4, 1.3, 1.1, 0.9, 0.6, 0.4, 0.3]) # 应用小时模式 hour_indices dates.hour.values hour_factors hour_pattern[hour_indices] # 生成区域数据 data [] for region_id in range(n_regions): # 为每个区域添加一些独特性 region_factor np.random.uniform(0.7, 1.3) # 工作日/周末模式 weekday_factor np.where(dates.weekday 5, 1.0, 0.8) # 生成流量 region_traffic base_traffic * hour_factors * weekday_factor * region_factor region_traffic np.maximum(region_traffic, 0) # 确保非负 # 添加一些随机噪声 noise np.random.normal(0, 50, len(region_traffic)) region_traffic noise for i, date in enumerate(dates): data.append({ datetime: date, region_id: region_id, city: city_name, traffic_volume: int(region_traffic[i]), hour: date.hour, day_of_week: date.weekday(), is_weekend: 1 if date.weekday() 5 else 0, month: date.month, day: date.day }) df pd.DataFrame(data) return df # 生成桑基图数据的函数 def prepare_sankey_data(city_data, top_n_regions5): 准备桑基图数据展示区域间的流量关系 if city_data is None or len(city_data) 0: return None, None, None # 选择流量最高的前N个区域 region_totals city_data.groupby(region_id)[traffic_volume].sum().sort_values(ascendingFalse) top_regions region_totals.head(top_n_regions).index.tolist() # 筛选出前N个区域的数据 top_data city_data[city_data[region_id].isin(top_regions)].copy() # 将一天分为4个时段 def get_time_period(hour): if 0 hour 6: return 深夜 (0-6点) elif 6 hour 12: return 上午 (6-12点) elif 12 hour 18: return 下午 (12-18点) else: return 晚上 (18-24点) top_data[time_period] top_data[hour].apply(get_time_period) # 计算每个区域在每个时段的平均流量 period_flow top_data.groupby([region_id, time_period])[traffic_volume].mean().reset_index() # 为桑基图准备节点 regions [f区域 {int(r)} for r in top_regions] time_periods [深夜 (0-6点), 上午 (6-12点), 下午 (12-18点), 晚上 (18-24点)] # 所有节点 nodes regions time_periods # 创建源节点、目标节点和流量值 source [] target [] value [] # 区域节点索引 region_indices {f区域 {int(r)}: i for i, r in enumerate(top_regions)} # 时段节点索引在区域节点之后 time_indices {tp: len(regions) i for i, tp in enumerate(time_periods)} for _, row in period_flow.iterrows(): region_label f区域 {int(row[region_id])} time_label row[time_period] flow_value row[traffic_volume] source.append(region_indices[region_label]) target.append(time_indices[time_label]) value.append(flow_value) return nodes, source, target, value, period_flow # 迁移学习模型 class CrossCityTransferModel: def __init__(self): self.source_model RandomForestRegressor(n_estimators100, random_state42) self.target_model RandomForestRegressor(n_estimators50, random_state42) self.scaler StandardScaler() self.is_fitted False def create_features(self, df): 创建特征 df_features df.copy() # 时间特征 df_features[hour_sin] np.sin(2 * np.pi * df_features[hour] / 24) df_features[hour_cos] np.cos(2 * np.pi * df_features[hour] / 24) df_features[day_sin] np.sin(2 * np.pi * df_features[day_of_week] / 7) df_features[day_cos] np.cos(2 * np.pi * df_features[day_of_week] / 7) # 滞后特征 for lag in [1, 2, 3, 24]: df_features[ftraffic_lag_{lag}] df.groupby(region_id)[traffic_volume].shift(lag) # 滚动统计特征 for window in [3, 6, 12]: df_features[ftraffic_rolling_mean_{window}] df.groupby(region_id)[traffic_volume].transform( lambda x: x.rolling(window, min_periods1).mean()) df_features[ftraffic_rolling_std_{window}] df.groupby(region_id)[traffic_volume].transform( lambda x: x.rolling(window, min_periods1).std()) # 区域特征 region_stats df.groupby(region_id)[traffic_volume].agg([mean, std, max]).reset_index() region_stats.columns [region_id, region_mean, region_std, region_max] df_features pd.merge(df_features, region_stats, onregion_id, howleft) # 删除缺失值 df_features df_features.dropna() return df_features def train_on_source(self, source_df): 在源城市数据上训练 st.info(f正在使用源城市数据训练模型数据量: {len(source_df):,} 条记录) # 创建特征 source_features self.create_features(source_df) # 准备特征和目标变量 feature_cols [col for col in source_features.columns if col not in [traffic_volume, datetime, city, region_id, hour, day_of_week, month, day]] X source_features[feature_cols] y source_features[traffic_volume] # 标准化特征 X_scaled self.scaler.fit_transform(X) # 训练模型 self.source_model.fit(X_scaled, y) # 评估模型 y_pred self.source_model.predict(X_scaled) mae mean_absolute_error(y, y_pred) rmse np.sqrt(mean_squared_error(y, y_pred)) r2 r2_score(y, y_pred) st.success(f源城市模型训练完成 - MAE: {mae:.1f}, RMSE: {rmse:.1f}, R²: {r2:.3f}) return feature_cols, mae, rmse, r2 def transfer_to_target(self, target_df, feature_cols, fine_tuneTrue): 迁移到目标城市 st.info(f正在迁移到目标城市数据量: {len(target_df):,} 条记录) # 创建特征 target_features self.create_features(target_df) # 确保特征一致 for col in feature_cols: if col not in target_features.columns: target_features[col] 0 X_target target_features[feature_cols] y_target target_features[traffic_volume] if fine_tune and len(target_features) 100: # 如果有足够的目标城市数据进行微调 X_target_scaled self.scaler.transform(X_target) # 使用源模型进行初始化预测 y_pred_source self.source_model.predict(X_target_scaled) # 训练目标模型 X_train, X_val, y_train, y_val train_test_split( X_target_scaled, y_target, test_size0.2, random_state42 ) self.target_model.fit(X_train, y_train) # 评估 y_pred self.target_model.predict(X_val) mae mean_absolute_error(y_val, y_pred) rmse np.sqrt(mean_squared_error(y_val, y_pred)) r2 r2_score(y_val, y_pred) st.success(f目标城市模型微调完成 - MAE: {mae:.1f}, RMSE: {rmse:.1f}, R²: {r2:.3f}) self.is_fitted True return target_features, mae, rmse, r2, y_pred_source else: # 直接使用源模型预测 X_target_scaled self.scaler.transform(X_target) y_pred self.source_model.predict(X_target_scaled) mae mean_absolute_error(y_target, y_pred) rmse np.sqrt(mean_squared_error(y_target, y_pred)) r2 r2_score(y_target, y_pred) st.success(f使用源城市模型直接预测 - MAE: {mae:.1f}, RMSE: {rmse:.1f}, R²: {r2:.3f}) self.is_fitted True return target_features, mae, rmse, r2, y_pred def predict_future(self, target_features, feature_cols, hours_ahead24): 预测未来流量 if not self.is_fitted: st.error(模型未训练请先训练模型) return None # 准备数据 last_data target_features.tail(24).copy() future_predictions [] for hour in range(hours_ahead): # 创建未来时间点的特征 future_row last_data.iloc[-1:].copy() # 更新时间特征 future_time future_row[datetime].iloc[0] timedelta(hours1) future_row[datetime] future_time future_row[hour] future_time.hour future_row[day_of_week] future_time.weekday() future_row[is_weekend] 1 if future_time.weekday() 5 else 0 future_row[month] future_time.month future_row[day] future_time.day # 更新时间相关特征 future_row[hour_sin] np.sin(2 * np.pi * future_row[hour] / 24) future_row[hour_cos] np.cos(2 * np.pi * future_row[hour] / 24) future_row[day_sin] np.sin(2 * np.pi * future_row[day_of_week] / 7) future_row[day_cos] np.cos(2 * np.pi * future_row[day_of_week] / 7) # 更新滞后特征使用预测值 for lag in [1, 2, 3, 24]: if lag 1 and future_predictions: future_row[ftraffic_lag_{lag}] future_predictions[-1] elif lag len(future_predictions): future_row[ftraffic_lag_{lag}] future_predictions[-lag] # 标准化特征 X_future future_row[feature_cols] X_future_scaled self.scaler.transform(X_future) # 预测 if hasattr(self, target_model) and self.target_model is not None: pred self.target_model.predict(X_future_scaled)[0] else: pred self.source_model.predict(X_future_scaled)[0] future_predictions.append(max(pred, 0)) # 确保非负 # 更新最后一行用于下一次预测 future_row[traffic_volume] pred last_data pd.concat([last_data, future_row]) return future_predictions # 初始化模型 if model not in st.session_state: st.session_state.model CrossCityTransferModel() st.session_state.source_data None st.session_state.target_data None st.session_state.feature_cols None # 主界面 tab1, tab2, tab3, tab4 st.tabs([数据, 模型训练迁移, 预测分析, 可视]) with tab1: st.header(城市) col1, col2 st.columns(2) with col1: st.subheader(源城市配置) source_city st.selectbox( 选择源城市数据丰富, [北京, 上海, 深圳], keysource_city_select ) source_days st.slider(源城市数据天数, 7, 60, 30, keysource_days) if st.button(生成源城市数据, keygen_source): with st.spinner(f正在生成{source_city}的数据...): st.session_state.source_data generate_city_data( source_city, n_dayssource_days, n_regions20, seed42 ) st.success(f{source_city}数据生成完成共{len(st.session_state.source_data):,}条记录) with col2: st.subheader(目标城市配置) target_city st.selectbox( 选择目标城市数据稀缺, [成都, 杭州, 南京, 武汉], keytarget_city_select ) target_days st.slider(目标城市数据天数, 3, 14, 7, keytarget_days) if st.button(生成目标城市数据, keygen_target): with st.spinner(f正在生成{target_city}的数据...): st.session_state.target_data generate_city_data( target_city, n_daystarget_days, n_regions15, seed100 ) st.success(f{target_city}数据生成完成共{len(st.session_state.target_data):,}条记录) # 数据显示 if st.session_state.source_data is not None: st.subheader(源城市数据预览) col1, col2, col3 st.columns(3) with col1: st.metric(总记录数, f{len(st.session_state.source_data):,}) with col2: st.metric(区域数量, st.session_state.source_data[region_id].nunique()) with col3: st.metric(平均流量, f{st.session_state.source_data[traffic_volume].mean():.0f}) st.dataframe(st.session_state.source_data.head(100), use_container_widthTrue) # 创建两列布局左侧显示时间序列图右侧显示桑基图 col_chart1, col_chart2 st.columns(2) with col_chart1: # 源城市时间序列图 st.subheader(f{source_city} - 区域流量时间序列前5个区域) fig1 go.Figure() for region in st.session_state.source_data[region_id].unique()[:5]: region_data st.session_state.source_data[st.session_state.source_data[region_id] region] fig1.add_trace(go.Scatter( xregion_data[datetime], yregion_data[traffic_volume], modelines, namef区域{region}, linedict(width2) )) fig1.update_layout( xaxis_title时间, yaxis_title流量, height500, showlegendTrue, legenddict( yanchortop, y0.99, xanchorleft, x0.01 ) ) st.plotly_chart(fig1, use_container_widthTrue) # 时间序列图解释 with st.expander(时间序列图说明): st.markdown( **时间序列图**展示了前5个区域随时间变化的流量模式 - 可以观察到不同区域的流量变化趋势 - 识别早晚高峰时段 - 比较不同区域的流量水平 - 发现周期性变化模式 ) with col_chart2: # 源城市桑基图 st.subheader(f{source_city} - 区域流量分布) # 准备桑基图数据 nodes, source, target, value, period_flow prepare_sankey_data(st.session_state.source_data, top_n_regions5) if nodes and source and target and value: # 创建桑基图 fig2 go.Figure(data[go.Sankey( nodedict( pad15, thickness20, linedict(colorblack, width0.5), labelnodes, color[#1f77b4, #ff7f0e, #2ca02c, #d62728, #9467bd, #8c564b, #e377c2, #7f7f7f, #bcbd22, #17becf] ), linkdict( sourcesource, targettarget, valuevalue ) )]) fig2.update_layout( title_textf{source_city} - 区域流量流向分析, font_size12, height500 ) st.plotly_chart(fig2, use_container_widthTrue) # 显示桑基图数据表格 with st.expander(数据详情): st.dataframe(period_flow, use_container_widthTrue) # 添加数据摘要 st.markdown(**数据摘要:**) col_sum1, col_sum2, col_sum3 st.columns(3) with col_sum1: st.metric(涉及区域数, len(period_flow[region_id].unique())) with col_sum2: st.metric(时段数量, len(period_flow[time_period].unique())) with col_sum3: st.metric(总连接数, len(period_flow)) else: st.warning(无法生成桑基图数据请确保有足够的数据) # 桑基图解释 with st.expander(说明): st.markdown( **桑基图**展示了不同区域在一天中各时段的流量分布 - **左侧节点**: 流量最高的5个区域 - **右侧节点**: 一天中的4个时段 - **连线宽度**: 表示流量的多少 - **颜色**: 区分不同区域和时段 **解读方法:** 1. 观察每个区域在哪些时段流量较高 2. 比较不同区域的流量分布模式 3. 识别流量集中的时段和区域 4. 发现区域间的流量差异 ) if st.session_state.target_data is not None: st.subheader(目标城市数据预览) col1, col2, col3 st.columns(3) with col1: st.metric(总记录数, f{len(st.session_state.target_data):,}) with col2: st.metric(区域数量, st.session_state.target_data[region_id].nunique()) with col3: st.metric(平均流量, f{st.session_state.target_data[traffic_volume].mean():.0f}) st.dataframe(st.session_state.target_data.head(50), use_container_widthTrue) # 为目标城市也添加桑基图 st.subheader(f{target_city} - 区域流量分布) # 准备目标城市桑基图数据 target_nodes, target_source, target_target, target_value, target_period_flow prepare_sankey_data( st.session_state.target_data, top_n_regions5 ) if target_nodes and target_source and target_target and target_value: # 创建目标城市桑基图 fig3 go.Figure(data[go.Sankey( nodedict( pad15, thickness20, linedict(colorblack, width0.5), labeltarget_nodes, color[#1f77b4, #ff7f0e, #2ca02c, #d62728, #9467bd, #8c564b, #e377c2, #7f7f7f, #bcbd22, #17becf] ), linkdict( sourcetarget_source, targettarget_target, valuetarget_value ) )]) fig3.update_layout( title_textf{target_city} - 区域流量流向分析, font_size12, height500 ) st.plotly_chart(fig3, use_container_widthTrue) with st.expander(目标城市数据详情): st.dataframe(target_period_flow, use_container_widthTrue) with tab2: st.header(模型训练与迁移学习) if st.session_state.source_data is None or st.session_state.target_data is None: st.warning(请先生成源城市和目标城市数据) else: col1, col2 st.columns(2) with col1: st.subheader(模型配置) transfer_method st.radio( 迁移学习方法, [直接迁移无目标数据微调, 微调迁移使用少量目标数据], index1 ) fine_tune transfer_method 微调迁移使用少量目标数据 if st.button(开始训练与迁移, typeprimary): with st.spinner(正在进行跨城市迁移学习...): # 在源城市上训练 feature_cols, source_mae, source_rmse, source_r2 st.session_state.model.train_on_source( st.session_state.source_data ) st.session_state.feature_cols feature_cols # 迁移到目标城市 target_features, target_mae, target_rmse, target_r2, source_predictions st.session_state.model.transfer_to_target( st.session_state.target_data, feature_cols, fine_tunefine_tune ) st.session_state.target_features target_features st.session_state.source_predictions source_predictions # 保存评估结果 st.session_state.evaluation_results { source_city: source_city, target_city: target_city, source_metrics: {MAE: source_mae, RMSE: source_rmse, R2: source_r2}, target_metrics: {MAE: target_mae, RMSE: target_rmse, R2: target_r2}, transfer_method: transfer_method } with col2: if evaluation_results in st.session_state: st.subheader(模型性能评估) # 创建对比指标 metrics_df pd.DataFrame({ 指标: [MAE, RMSE, R²], 源城市: [ f{st.session_state.evaluation_results[source_metrics][MAE]:.1f}, f{st.session_state.evaluation_results[source_metrics][RMSE]:.1f}, f{st.session_state.evaluation_results[source_metrics][R2]:.3f} ], 目标城市: [ f{st.session_state.evaluation_results[target_metrics][MAE]:.1f}, f{st.session_state.evaluation_results[target_metrics][RMSE]:.1f}, f{st.session_state.evaluation_results[target_metrics][R2]:.3f} ] }) st.table(metrics_df) # 性能提升计算 if st.session_state.evaluation_results[target_metrics][R2] 0: st.success( f迁移学习成功目标城市R²分数: {st.session_state.evaluation_results[target_metrics][R2]:.3f}) # 特征重要性 if hasattr(st.session_state.model, target_model) and st.session_state.model.target_model is not None: model st.session_state.model.target_model else: model st.session_state.model.source_model feature_importance pd.DataFrame({ 特征: st.session_state.feature_cols, 重要性: model.feature_importances_ }).sort_values(重要性, ascendingFalse).head(10) fig px.bar( feature_importance, x重要性, y特征, orientationh, titleTop 10 重要特征 ) st.plotly_chart(fig, use_container_widthTrue) with tab3: st.header(流量预测与分析) if not st.session_state.model.is_fitted or target_features not in st.session_state: st.warning(请先训练模型) else: col1, col2 st.columns(2) with col1: st.subheader(预测配置) region_to_predict st.selectbox( 选择要预测的区域, sorted(st.session_state.target_data[region_id].unique()), keyregion_select ) prediction_hours st.slider(预测小时数, 6, 72, 24, keypred_hours) if st.button(开始预测, typeprimary): with st.spinner(正在生成预测...): # 获取选定区域的数据 region_data st.session_state.target_features[ st.session_state.target_features[region_id] region_to_predict ].copy() # 预测未来流量 future_predictions st.session_state.model.predict_future( region_data, st.session_state.feature_cols, hours_aheadprediction_hours ) if future_predictions: st.session_state.future_predictions future_predictions st.session_state.region_data region_data with col2: if future_predictions in st.session_state: st.subheader(预测结果) # 创建预测时间序列 last_time st.session_state.region_data[datetime].iloc[-1] future_times [last_time timedelta(hoursi 1) for i in range(prediction_hours)] predictions_df pd.DataFrame({ 时间: future_times, 预测流量: st.session_state.future_predictions }) col1, col2, col3 st.columns(3) with col1: avg_pred np.mean(st.session_state.future_predictions) st.metric(平均预测流量, f{avg_pred:.0f}) with col2: max_pred np.max(st.session_state.future_predictions) st.metric(最大预测流量, f{max_pred:.0f}) with col3: peak_hour future_times[np.argmax(st.session_state.future_predictions)].hour st.metric(预测高峰时段, f{peak_hour}:00) st.dataframe(predictions_df, use_container_widthTrue) # 下载预测结果 csv predictions_df.to_csv(indexFalse).encode(utf-8) st.download_button( label下载预测结果(CSV), datacsv, file_namef预测结果_{target_city}_区域{region_to_predict}.csv, mimetext/csv ) with tab4: st.header(可视化分析) if not st.session_state.model.is_fitted: st.warning(请先训练模型) else: # 创建子图 fig make_subplots( rows2, cols2, subplot_titles( f{target_city} - 区域流量对比, 跨城市流量模式对比, 预测结果可视化, 预测误差分析 ), vertical_spacing0.15, horizontal_spacing0.1 ) # 1. 目标城市各区域流量热图 pivot_data st.session_state.target_data.pivot_table( valuestraffic_volume, indexhour, columnsregion_id, aggfuncmean ) fig.add_trace( go.Heatmap( zpivot_data.values, xpivot_data.columns, ypivot_data.index, colorscaleViridis, colorbardict(title流量) ), row1, col1 ) # 2. 跨城市对比 if st.session_state.source_data is not None: source_hourly st.session_state.source_data.groupby(hour)[traffic_volume].mean().reset_index() target_hourly st.session_state.target_data.groupby(hour)[traffic_volume].mean().reset_index() fig.add_trace( go.Scatter( xsource_hourly[hour], ysource_hourly[traffic_volume], modelinesmarkers, namef源城市: {source_city}, linedict(colorblue, width2) ), row1, col2 ) fig.add_trace( go.Scatter( xtarget_hourly[hour], ytarget_hourly[traffic_volume], modelinesmarkers, namef目标城市: {target_city}, linedict(colorred, width2, dashdash) ), row1, col2 ) # 3. 预测结果 if future_predictions in st.session_state and region_data in st.session_state: # 历史数据 region_hist st.session_state.region_data.tail(24).copy() fig.add_trace( go.Scatter( xregion_hist[datetime], yregion_hist[traffic_volume], modelines, name历史数据, linedict(colorgreen, width2) ), row2, col1 ) # 预测数据 last_time region_hist[datetime].iloc[-1] future_times [last_time timedelta(hoursi 1) for i in range(len(st.session_state.future_predictions))] fig.add_trace( go.Scatter( xfuture_times, yst.session_state.future_predictions, modelinesmarkers, name预测数据, linedict(colororange, width2, dashdot) ), row2, col1 ) # 4. 误差分析 if source_predictions in st.session_state and target_features in st.session_state: # 使用实际值和预测值 actual_values st.session_state.target_features[traffic_volume].values predicted_values st.session_state.source_predictions # 限制数据量 n_points min(100, len(actual_values)) indices np.random.choice(len(actual_values), n_points, replaceFalse) fig.add_trace( go.Scatter( xactual_values[indices], ypredicted_values[indices], modemarkers, name预测 vs 实际, markerdict(size8, opacity0.6) ), row2, col2 ) # 添加yx线 min_val min(actual_values.min(), predicted_values.min()) max_val max(actual_values.max(), predicted_values.max()) fig.add_trace( go.Scatter( x[min_val, max_val], y[min_val, max_val], modelines, name理想线, linedict(colorred, width1, dashdash) ), row2, col2 ) # 更新布局 fig.update_layout( height800, showlegendTrue, title_text跨城市流量预测分析 ) fig.update_xaxes(title_text区域, row1, col1) fig.update_xaxes(title_text小时, row1, col2) fig.update_xaxes(title_text时间, row2, col1) fig.update_xaxes(title_text实际值, row2, col2) fig.update_yaxes(title_text小时, row1, col1) fig.update_yaxes(title_text平均流量, row1, col2) fig.update_yaxes(title_text流量, row2, col1) fig.update_yaxes(title_text预测值, row2, col2) st.plotly_chart(fig, use_container_widthTrue) # 模型解释 st.subheader(模型洞察) col1, col2 st.columns(2) with col1: st.info( **迁移学习优势:** - 利用源城市丰富数据学习通用模式 - 适应目标城市特有特征 - 减少对目标城市数据量的依赖 - 提高小数据场景下的预测精度 ) with col2: st.info( **应用场景:** - 新城市交通规划 - 突发事件流量预测 - 节假日人流管理 - 基础设施容量规划 ) # 页脚 st.markdown(---) st.caption( **跨城市人类移动行为 )