项目介绍

这是《可视化技术》课程的综合实践项目，按课程要求由 4 人小组共同提交。我承担了系统的主要开发工作，覆盖全局筛选与时空联动交互、系统整合，以及算法增强阶段的 AI 时空预测模块与昇腾 ModelArts 对接。

数据层融合了 1,434,106 条加州高速公路事故记录（2022–2024 三年）与 Open-Meteo 历史气象数据，气象匹配率 100%。系统实现了从数据接口、地理可视化、时空双向联动到 AI 预测的完整可视分析链路，共 6 个可视化视图、10 余种联动图表。

上图为系统界面：基于 Leaflet 的时空交互地图仪表盘，右侧联动县 Top5 事故类型、24 小时分布、月份矩阵与气象六维雷达图。

后端数据接口与性能优化

设计并实现系统的 RESTful 数据接口层，支持全量聚合、按时间筛选（年/月/时段，带分页）、按区域筛选（area / fwy / bbox 多维度）以及混合筛选与实时聚合。
采用内存缓存 + LRU 策略优化重复查询，显著降低高频筛选场景下的重复计算开销。
143 万条记录不直接下发浏览器渲染，改为服务端聚合后返回，配合 bbox 边界框过滤与区域热点聚合，保证前端在低配设备上仍然流畅。
提供加州县级 GeoJSON 边界接口，支撑地图下钻与区域匹配。

地理可视化与时空双向联动

基于 Leaflet + GeoJSON 县级边界数据搭建加州多维分析地图，实现事故热区定位与县级下钻分析。
实现四类时空双向联动：
- 时间轴拖动 → 地图按时段重绘 + 全局筛选状态同步
- 地图框选 → 触发后端 bbox 区域查询并回填图表
- 平行坐标刷选 → 过滤区域列表并联动地图高亮
- 县级点击 → 按区域名匹配并联动其他图表
设计全局筛选栏（月份 / 事故类型 / 时段）作为系统的单一状态源，任一筛选变化即驱动全部页面联动刷新，解决了多图表各自维护状态导致的显示不一致问题。

可视化图表与个人分析任务

使用 D3.js 实现柱状图、折线图、雷达图、散点图、日历图、河流图等 10 余种图表，支持多维度联动刷新与统一 Tooltip 规范（含四方向边界检测）。
完成气象关联分析模块：事故气温散点图、降水 / 云量与事故率双轴关系、各区域雨天事故率。
个人分析任务为「节假日与极端天气下的事故时空特征」：通过联动地图与时间轴刷选识别异常时段，定位节假日与恶劣天气下的高风险区域。

AI 时空预测模块（本人负责）

模型与实验结果

项目	内容
模型	RandomForestRegressor + 分位数风险分级
预测区间	2025-01 – 2025-06（未来 6 个月）
历史窗口	2022-08 – 2024-12（29 个月）
预测格点	309 个加州时空格点
测试集 MAE	5.64（占平均事故数 129.47 的 4.1%）
测试集 RMSE	17.32
风险分级分布	低 151 · 中 98 · 高 60（按 q50 / q80 分位切分）

特征重要性显示时空自相关是主导信号：前 6 期均值 lag_mean_6 占 0.689、同月历史均值 same_month_mean 占 0.310，而增长率、节假日标记、经纬度等特征合计不足 0.001——这也解释了为什么简单特征即可把 MAE 压到均值的 4.1%。

功能

全加州格点未来事故数预测：将事故数据按时空格点聚合、构建滞后项与同月均值等特征并训练预测模型，输出未来 6 个月逐格点事故数预测。
高风险 Top N 格点识别：基于预测结果按分位数切分风险等级并排序，作为地图风险预警图层的输入。
单格点历史时序特征提取：为任意格点提供历史事故序列，支撑下钻分析。

昇腾 ModelArts 集成：参与小组 MindSpore LSTM 模型在华为云 ModelArts 上的训练与部署。由于海外区域在线服务部署失败，改用「Notebook 内完成训练 + Notebook 内部署 Flask 推理服务 + 本地 SSH 隧道」的替代方案，最终完成昇腾模型的云端训练、API 生成与前端可视化集成。