traffic-safe/readme.md

TrafficSafeAnalyzer

基于 Streamlit 的交通安全分析系统，支持事故数据分析、多模型预测、异常检测、策略评估和 AI 智能分析。

功能特性

核心功能模块

模块	功能说明
总览	可视化事故趋势、KPI 指标展示（今日/本周事故数、预测偏差、策略覆盖率等）
事故热点	识别高发路口，生成风险分级与整治建议
AI 分析	基于 DeepSeek API 生成专业分析报告和改进建议
预测模型	支持 ARIMA、KNN、GLM、SVR 等多模型预测对比
模型评估	对比各模型预测效果（RMSE、MAE 等指标）
异常检测	基于 Isolation Forest 算法检测异常事故点
策略评估	评估单一交通策略实施效果
策略对比	多策略效果横向对比分析
情景模拟	模拟策略上线对事故趋势的影响

技术亮点

• 支持实时自动刷新
• 交互式 Plotly 图表
• 多格式数据导出（CSV、HTML）
• Docker 容器化部署
• 中文分词支持（jieba）

项目结构

TrafficSafeAnalyzer/
├── app.py                 # 主应用入口
├── services/              # 业务逻辑层
│   ├── forecast.py        # 预测模型（ARIMA、KNN、GLM、SVR）
│   ├── hotspot.py         # 热点分析
│   ├── io.py              # 数据加载与清洗
│   ├── metrics.py         # 模型评估指标
│   └── strategy.py        # 策略评估
├── ui_sections/           # UI 组件层
│   ├── overview.py        # 总览页面
│   ├── forecast.py        # 预测页面
│   ├── model_eval.py      # 模型评估页面
│   ├── strategy_eval.py   # 策略评估页面
│   └── hotspot.py         # 热点分析页面
├── config/
│   └── settings.py        # 配置参数
├── docs/                  # 文档
│   ├── install.md         # 安装指南
│   └── usage.md           # 使用说明
├── Dockerfile             # Docker 配置
├── requirements.txt       # Python 依赖
└── environment.yml        # Conda 环境配置

安装步骤

前提条件

• Python 3.8+（推荐 3.12）
• Git
• 可选：Docker（用于容器化部署）

方式一：本地安装

1. 克隆仓库：

git clone https://github.com/tongnian0613/TrafficSafeAnalyzer.git
cd TrafficSafeAnalyzer

2. 创建虚拟环境（推荐）：

# 使用 conda
conda create -n trafficsa python=3.12 -y
conda activate trafficsa

# 或使用 venv
python -m venv venv
source venv/bin/activate  # Linux/macOS
# venv\Scripts\activate   # Windows

3. 安装依赖：

pip install -r requirements.txt

4. 运行应用：

streamlit run app.py

方式二：Docker 部署

# 构建镜像
docker build -t trafficsafeanalyzer .

# 运行容器
docker run --rm -p 8501:8501 trafficsafeanalyzer

访问 http://localhost:8501 即可使用。

如需挂载本地数据目录：

docker run --rm -p 8501:8501 \
  -v "$(pwd)/data:/app/data" \
  trafficsafeanalyzer

自定义端口：

docker run --rm -p 8080:8501 \
  -e STREAMLIT_SERVER_PORT=8501 \
  trafficsafeanalyzer

依赖项

核心依赖

包名	版本要求	用途
streamlit	>=1.20.0	Web 应用框架
pandas	>=1.3.0	数据处理
numpy	>=1.21.0	数值计算
matplotlib	>=3.4.0	静态图表
plotly	>=5.0.0	交互式图表
scikit-learn	>=1.0.0	机器学习模型
statsmodels	>=0.13.0	统计模型（ARIMA）

可选依赖

包名	用途
scipy	统计检验（t-test、Mann-Whitney U）
streamlit-autorefresh	页面自动刷新
openpyxl / xlrd	Excel 文件读写
openai	AI 分析（兼容 DeepSeek API）
jieba	中文分词
cryptography	安全加密

使用说明

数据格式要求

事故数据 Excel：

必需列	说明
事故时间	事故发生时间
所在街道	事故地点
事故类型	事故分类

可选列：region（区域）、严重程度等

策略数据 Excel：

必需列	说明
发布时间	策略发布日期
交通策略类型	策略分类

基本操作流程

1. 启动应用后，在左侧边栏上传事故数据和策略数据（Excel 格式）
2. 设置全局筛选器：区域、时间范围、策略类型
3. 点击"应用数据与筛选"按钮加载数据
4. 在顶部标签页切换不同功能模块进行分析

AI 分析配置

系统使用 DeepSeek API 进行 AI 智能分析：

配置项	默认值	说明
API Key	预填示例密钥	可在侧边栏替换为自有密钥
Base URL	https://api.deepseek.com	DeepSeek API 地址

AI 分析功能可生成：

• 核心指标洞察
• 策略绩效评估
• 短期/中期/长期优化建议

输出文件

类型	文件名示例	说明
预测结果	arima_forecast.csv	ARIMA 模型预测数据
模型评估	model_evaluation.csv	各模型指标对比
异常检测	anomalies.csv	异常日期列表
策略对比	strategy_compare.csv	策略效果对比表
交互图表	simulation.html	Plotly 图表导出

配置参数

环境变量

变量名	说明	默认值
LOG_LEVEL	日志级别	INFO
STREAMLIT_SERVER_PORT	服务端口	8501
STREAMLIT_SERVER_HEADLESS	无头模式	true（Docker 中）

模型参数

配置文件：config/settings.py

# ARIMA 参数搜索范围
ARIMA_P = range(0, 4)
ARIMA_D = range(0, 2)
ARIMA_Q = range(0, 4)

# 预测与评估
DEFAULT_HORIZON_PREDICT = 30  # 默认预测天数
DEFAULT_HORIZON_EVAL = 14     # 默认评估窗口
MIN_PRE_DAYS = 5              # 最小历史数据天数
MAX_PRE_DAYS = 120            # 最大历史数据天数

# 异常检测
ANOMALY_N_ESTIMATORS = 50     # Isolation Forest 估计器数量
ANOMALY_CONTAMINATION = 0.10  # 预期异常比例

常见问题

问题	解决方案
ModuleNotFoundError	运行 pip install -r requirements.txt
数据加载失败	检查 Excel 文件格式，确保包含必需列名
预测图表未显示	确保干预日期前至少有 10 条历史数据
AI 分析无响应	检查 API Key 有效性及网络连接
热点分析提示无数据	先上传事故数据并点击"应用数据与筛选"

更新日志

参见 CHANGELOG.md

当前版本：v1.1.0

v1.1.0 主要更新

• 集成 DeepSeek AI 分析功能（流式输出）
• 新增事故热点分析模块
• 优化预测模型性能
• 支持 Docker 容器化部署
• 改进数据可视化交互体验
• 修复多标签页导航状态问题

升级指南

# 备份现有数据
cp -r data data_backup

# 拉取最新代码
git pull origin main

# 更新依赖
pip install -r requirements.txt --upgrade

# 重启应用
streamlit run app.py

许可证

MIT License - 详见 LICENSE

贡献

欢迎提交 Issue 和 Pull Request。

---