1.引言

1.1 课题背景与意义

近年来，随着人们生活水平提高和旅游业快速发展，个性化旅游需求日益增长。传统旅游规划方式主要依赖人工查询和攻略分享，存在信息分散、规划效率低、推荐内容同质化等问题。尤其对于自由行游客，如何在海量旅游信息中快速筛选出符合自身偏好的景点、酒店和餐饮，并合理规划行程路线，成为提升旅行体验的关键。与此同时，深度学习技术在推荐系统领域的应用逐渐成熟，通过分析用户行为数据和内容特征，能够挖掘潜在需求并生成个性化推荐方案。在此背景下，结合深度学习与旅游规划需求的智能系统研究具有现实意义。

本课题旨在设计并实现一个基于Flask框架的旅游路线规划系统，通过整合景点、酒店、美食等数据资源，结合深度学习技术优化推荐逻辑。系统以用户需求为核心，提供从信息浏览到行程规划的一站式服务。在学术层面，课题探索了轻量级Web开发框架与深度学习模型的结合方式，为中小规模智能系统的开发提供实践参考；在应用层面，系统通过智能算法降低用户规划行程的时间成本，帮助游客快速获取符合个人偏好的旅行方案，同时为旅游行业数字化转型提供技术支持。通过实际开发验证，该系统在满足基础功能需求的同时，为个性化推荐技术在垂直领域的落地应用提供了可行思路。

1.2 国内外研究现状

1.2.1国外研究现状

国外在智能旅游推荐领域的研究起步较早，技术应用相对成熟。2000年初，已有学者尝试将数据挖掘技术应用于旅游推荐，主要通过分析用户历史行为和景点特征生成简单推荐。例如，基于协同过滤的推荐算法被用于预测用户对景点的兴趣程度，通过收集用户评分数据建立相似度模型。随着移动互联网发展，地理信息系统（GIS）与推荐技术的结合成为研究热点，部分系统开始整合位置信息优化推荐结果。2015年后，深度学习技术的突破推动了旅游推荐系统升级，研究者开始使用神经网络处理复杂的用户行为数据和时空特征，推荐精度显著提升。目前，谷歌地图的行程规划功能和TripAdvisor的个性化推荐服务已在实际应用中验证了技术可行性，部分商业平台还通过分析社交媒体数据挖掘用户潜在兴趣。

近年来，国外研究重点转向多模态数据融合与实时推荐优化。学者提出的LSTM和注意力机制结合模型，能够有效捕捉用户行程规划中的时间序列特征和偏好变化。例如，部分研究通过分析游客停留时长和移动轨迹，动态调整景点推荐顺序。在数据层面，除传统评分和文本评论外，天气、交通状况等实时信息也被纳入推荐考量。2020年后，基于图神经网络的推荐方法逐渐兴起，通过构建景点关联网络挖掘隐藏的路线组合规律。此外，针对冷启动问题，部分研究采用迁移学习技术，利用其他领域数据辅助新用户推荐。尽管技术不断进步，现有系统仍面临用户隐私保护、多目标优化平衡等挑战，如何兼顾推荐准确性与计算效率是当前研究的核心问题之一。

1.2.2国内研究现状

国内在旅游推荐系统领域的研究起步稍晚，但发展速度较快。早期研究主要集中在基于规则的推荐方法上，例如通过景点分类和用户基础偏好进行匹配。2010年前后，随着在线旅游平台的兴起，携程、去哪儿等企业开始尝试基于用户评分和评论数据的推荐功能，但算法较为简单，主要通过热门排序和关键词匹配实现。2015年后，随着大数据技术普及，国内学者开始引入协同过滤、内容推荐等算法，结合用户历史行为和社交数据优化推荐效果。部分研究团队尝试将地理位置信息与推荐系统结合，通过分析游客移动轨迹挖掘景点间的关联性。近年来，深度学习技术的应用逐渐增多，一些高校和企业合作开发了基于神经网络的推荐模型，能够处理更复杂的用户偏好和时空特征数据。例如，通过LSTM网络分析用户连续访问行为，结合注意力机制提升推荐准确性。

当前国内研究主要集中在多源数据融合和个性化服务优化两个方面。一方面，学者尝试整合社交媒体数据、实时位置信息、天气状况等多维度数据，通过特征工程提取有效信息。例如，从微博、小红书等平台抓取用户生成的旅游内容，结合情感分析技术挖掘潜在兴趣点。另一方面，针对路线规划中的动态需求，研究重点转向实时推荐和路径优化算法。部分团队提出基于图神经网络的路线生成方法，通过构建景点关系网络实现快速路径搜索。此外，针对冷启动问题，国内学者探索了迁移学习在旅游推荐中的应用，利用其他领域用户数据辅助新用户偏好预测。尽管技术进步明显，实际应用中仍存在数据质量参差不齐、实时计算资源消耗大等问题。国内企业如高德地图推出的“智慧景区”服务、美团旅行的个性化行程推荐功能，均体现了技术落地的初步成果，但与国际先进水平相比，在算法创新和用户体验细节上仍有提升空间。

1.3 研究主要内容

本研究设计并实现了一个基于Flask框架的旅游路线规划系统，重点解决传统旅游规划中信息筛选效率低、推荐内容单一的问题。系统包含用户管理、景点浏览、酒店查询、美食推荐和智能路线规划五大核心功能，通过整合SQLite数据库存储旅游数据，利用PyTorch框架构建深度学习模型实现个性化推荐。具体研究内容涵盖：开发用户注册登录模块保障系统安全性；实现多条件筛选功能帮助用户快速定位目标信息；设计基于LSTM和注意力机制的推荐模型，分析用户行为数据生成行程方案；结合景点距离、评分等特征优化路线规划逻辑；完成前后端交互界面开发，提供可视化操作体验。系统通过简化数据处理流程和模型部署方式，在保证基础功能完整性的同时，降低技术实现复杂度，为中小规模智能旅游系统的开发提供实践参考。

1.4 论文组织架构

第一章 引言：阐述课题背景与意义，分析国内外研究现状，明确研究内容与论文结构框架。

第二章 关键技术：介绍系统开发涉及的Flask框架、SQLite数据库、PyTorch深度学习框架等技术原理，说明技术选型依据。

第三章 系统分析：从功能需求、数据需求和用户需求三方面展开分析，明确系统设计目标和约束条件。

第四章 系统设计：划分系统功能模块，设计数据库表结构，制定推荐算法流程和路线规划逻辑方案。

第五章 系统实现：展示核心功能界面和代码实现细节，说明深度学习模型的训练部署过程。

第六章 系统测试：通过功能测试和性能测试验证系统稳定性，分析推荐准确性和响应时间等关键指标。

2 关键技术

2.1 Pandas、NumPy数据处理

在旅游路线规划系统中，Pandas和NumPy主要用于处理景点、酒店和美食的原始数据。系统需要将不同来源的数据转换为程序可用的格式，例如景点的评分、位置坐标、用户评价等字段需要统一整理。Pandas通过读取文件生成类似电子表格的DataFrame结构，帮助快速筛选有效信息，比如删除重复的景点条目或补全缺失的评分数据。对于数值型特征（如酒店价格、景点距离），使用NumPy进行标准化处理，将不同量纲的数据缩放到相同范围，避免模型训练时某些特征因数值过大而影响结果。具体应用中，Pandas的fillna()方法用于填充缺失值，groupby()功能可统计某类景点的平均评分；NumPy的array结构则用于存储处理后的特征矩阵，方便后续输入深度学习模型。

系统开发过程中，原始数据可能存在格式混乱或噪声问题。例如景点开放时间字段包含文本描述，需要转换为统一的数值表示。通过Pandas的字符串处理功能提取时间范围，再结合NumPy生成标准化后的时间特征。对于用户历史行为数据，利用Pandas的时间序列功能分析访问时间分布，为路线推荐提供时间维度参考。数据预处理完成后，通过Pandas导出清洗后的数据表供其他模块调用，减少重复处理带来的性能损耗。

2.2 Flask框架

Flask作为轻量级Web框架，承担了系统的后端开发任务。其核心功能是通过路由机制处理用户请求，例如当用户访问景点信息页面时，Flask接收前端发起的HTTP请求，从数据库查询数据后返回JSON格式结果或渲染HTML模板。在用户认证模块中，Flask-Login扩展管理用户会话状态，通过@login_required装饰器保护需要登录才能访问的页面（如路线规划功能）。对于数据交互，Flask-SQLAlchemy提供了ORM（对象关系映射）支持，开发者无需直接编写SQL语句即可操作数据库，例如使用Attraction.query.filter_by(category='自然景观')快速查询符合条件的景点记录。

系统前端页面采用Flask的Jinja2模板引擎动态生成。在景点列表页面，后端将数据库查询结果传递给模板文件，通过{% for item in data %}循环语句渲染出多个景点卡片。表单处理方面，Flask-WTF扩展简化了登录注册页面的开发，自动验证用户输入的合法性。对于路线规划请求，Flask接收用户提交的旅行天数、偏好类型等参数，调用深度学习模型生成结果后，将推荐路线封装成字典结构返回前端展示。开发过程中，Flask的调试模式能快速定位代码错误，而蓝图功能则帮助拆分不同功能模块，保持代码结构清晰易维护。

2.3 PyTorch深度学习框架

PyTorch在本系统中负责实现智能推荐模型的核心功能。对于景点和用户行为数据的处理，PyTorch提供了张量数据结构，能够将景点ID、用户偏好评分等不同类型的数据转换为数值矩阵。例如景点的评分、距离和类别标签被合并成一个多维数组，作为模型的输入特征。通过构建嵌入层，系统将离散的景点ID转换为连续的向量表示，这种向量可以捕捉景点之间的潜在关联性，比如自然景观类景点在向量空间中位置相近。在路线推荐模型中，LSTM层负责分析用户访问景点的顺序，结合时间维度信息预测下一个可能感兴趣的景点，而注意力机制则帮助模型识别关键节点，动态调整推荐权重。

模型训练过程中，PyTorch的自动求导功能简化了参数优化流程。系统使用交叉熵损失函数衡量推荐结果与真实用户选择的差异，通过Adam优化器逐步调整模型参数。为了避免过拟合问题，训练时加入了随机丢弃部分神经元的Dropout层。具体实现中，用户的历史访问序列被划分为多个批次输入模型，每个批次包含若干条长度相近的访问记录。训练完成后，模型参数被保存为文件供后续调用。在路线规划功能中，加载训练好的模型对新用户输入的数据进行推理，输出各景点的推荐概率，最终筛选出概率最高的景点组合生成完整路线。

2.4 SQLite数据库

SQLite作为轻量级数据库管理系统，承担了系统数据的存储和查询任务。由于旅游系统需要管理用户信息、景点数据和酒店信息等多类数据，但数据规模相对较小，SQLite无需单独部署数据库服务器的特性非常适合开发阶段使用。系统中定义了用户表、景点表、酒店表和美食表等核心数据表，例如景点表包含名称、类别、评分、地理位置等字段。通过SQLAlchemy提供的ORM功能，开发者可以直接使用Python类操作数据库，例如用Attraction.query.filter_by(category='自然景观')查询所有自然景观类景点，避免了手动编写复杂SQL语句的麻烦。

数据初始化阶段，通过Python脚本将景点和酒店的原始CSV文件转换为SQLite数据库记录。对于用户行为数据，系统设计了关系型数据表结构，使用外键关联用户ID和景点ID。在查询性能优化方面，对常用搜索字段添加了索引，加快模糊查询和条件筛选的速度。用户登录时，系统通过查询用户表验证用户名和密码的匹配性，而路线规划功能则联合查询景点表和酒店表，获取推荐景点的详细信息及周边住宿选项。由于SQLite支持事务处理，在并发操作场景下能够保证数据的一致性，例如用户同时修改个人资料和收藏景点时，数据库通过事务机制确保操作原子性，避免数据错乱。

3 系统分析

3.1 系统可行性分析

3.1.1 经济可行性分析

本系统的开发与运行成本较低，适合个人学术研究场景。硬件方面仅需普通笔记本电脑即可完成开发测试，无需购买专用服务器或高性能计算设备。软件层面采用完全开源的技术栈：Flask框架、PyTorch深度学习库和SQLite数据库均免费使用，开发工具选用社区版PyCharm或VS Code。数据来源可通过公开旅游平台接口获取或自行构造模拟数据，无商业数据采购费用。后期维护仅涉及本地代码修改和模型参数调整，无需支付云服务费用。整体投入主要为开发时间成本，符合学生毕业设计的预算要求。

3.1.2 技术可行性分析

系统采用成熟技术组合实现基础功能需求。Flask框架结构简单，通过路由和模板功能即可完成前后端基础交互，学习门槛较低。PyTorch作为主流深度学习框架，提供丰富的神经网络组件和预训练模型，即使对复杂模型实现能力有限，也可通过简化网络结构实现基本推荐逻辑。SQLite数据库无需复杂配置，通过SQLAlchemy操作数据表能满足中小规模数据存储需求。深度学习模型训练阶段可通过降低数据量和减少训练轮次在本地完成。对于界面开发，Bootstrap模板提供现成的响应式布局方案，无需深入掌握前端框架即可搭建基础页面。

3.1.3 操作可行性分析

系统设计以用户友好性为原则，操作流程简单直观。普通用户通过浏览器访问系统，仅需掌握基础网页操作技能即可使用：登录注册通过表单填写完成，景点和酒店信息通过点击分类标签或输入关键词筛选，路线规划功能通过填写天数、偏好等基础参数触发。管理员端功能（如数据维护）通过Python脚本直接操作数据库，无需复杂命令行工具。深度学习模型的使用对用户完全透明，推荐结果以图文形式直接展示。系统安装仅需配置Python环境后运行启动脚本，开发调试阶段通过Flask内置服务器即可运行测试，专业的运维技术。

3.2 功能需求分析

系统需满足用户对旅游信息管理和智能规划的基础需求，主要包含五大功能模块。

用户管理模块需实现注册、登录和身份验证功能，确保个人数据安全且操作便捷。

景点信息模块需提供分类浏览和搜索能力，用户可通过名称、类别等条件快速查找目标景点并查看详情信息。

酒店查询模块需支持按价格区间、星级标准筛选住宿选项，帮助用户根据预算选择合适方案。

美食推荐模块需展示餐厅的基本信息和用户评价，允许按菜系类型过滤结果。核心的路线规划模块需整合用户输入的旅行天数、偏好类型和预算限制，结合景点距离、开放时间等数据生成多日行程安排。

此外，系统需保证数据展示的直观性，例如以列表和卡片形式呈现信息，并通过地图标记辅助用户理解地理位置关系。对于后台管理，需具备基础的数据维护功能，例如景点信息的增删改查操作。所有功能需围绕降低用户决策成本设计，确保未接触过旅游规划工具的普通用户也能快速完成行程制定。

3.3 数据需求分析

系统需要管理四类核心数据：用户数据、景点数据、酒店数据和美食数据。用户数据包含用户名、密码哈希值及注册时间，用于身份验证和个性化推荐。景点数据涵盖名称、地理位置、开放时间、评分、类别标签和详细介绍，作为路线规划的基础信息源。酒店数据需记录名称、地址、房型、价格、星级评分和联系方式，支持用户筛选住宿方案。美食数据包括餐厅名称、菜系类型、人均消费、推荐菜品和用户评价，用于餐饮推荐功能。此外，用户行为数据需要关联存储，为深度学习模型提供训练依据。数据存储采用SQLite数据库，通过定义用户表、景点表、酒店表和美食表实现结构化存储，其中景点与酒店通过地理位置字段建立关联关系。模型训练数据需包含景点特征矩阵用户访问序列，通过Pandas进行特征工程处理，最终转换为PyTorch张量格式输入模型。数据清洗需处理缺失值和异常值，并通过外键约束保证数据一致性。

3.4 系统流程分析

3.4.1 用户登录流程分析

用户首先进入系统的登录界面。在此界面上，用户需要填写其用户名和密码。接下来，用户选择相应的角色类型并点击登录按钮。系统随后会验证输入的账号和密码是否正确。如果账号或密码错误，系统会提示错误信息，用户需重新输入。如果账号和密码验证通过，系统会显示登录成功的提示，并自动跳转至系统首页。如下图3-1所示。

图3-1 用户登录流程图

3.4.2 用户注册流程分析

用户首先进入系统的注册界面，然后需要填写个人信息、用户名和密码。接下来，系统会检查该用户名是否已注册。如果用户名未注册，用户可以成功注册账户，系统提示用户注册成功，并跳转至系统登录界面。如果用户名已注册，系统会提示用户该用户名已重复，注册失败。同时，如果在注册过程中遇到服务器故障，系统也会提示服务器故障，注册过程结束。如下图3-2所示。

图3-2 用户注册流程图

3.4.3 智能推荐流程分析

用户提交旅行参数（、偏好类型）后，系统首先加载用户历史行为数据和景点特征数据。预处理模块将原始数据转换为模型可识别的数值格式，例如将景点类别编码为数字、标准化评分数据。深度学习模型接收处理后的输入，通过嵌入层提取景点特征向量，结合LSTM分析用户行为序列的时间关联性，注意力机制识别重要景点并调整权重。模型输出各景点的推荐概率，筛选未访问的高概率景点按距离和开放时间排序，生成每日行程安排。最终将推荐路线与周边酒店、餐厅信息整合，以图文形式返回前端展示。如下图3-3所示：

图3-3 智能推荐流程图

4 系统设计

4.1 系统架构设计

系统采用分层架构设计，主要包含用户界面层、业务逻辑层和数据存储层。用户通过浏览器访问前端页面，Bootstrap框架构建的界面负责展示景点、酒店等信息并收集用户输入。Flask后端接收请求后，根据功能类型调用不同处理模块：用户认证模块操作数据库验证身份，数据查询模块通过SQLAlchemy访问SQLite数据库，路线规划模块加载PyTorch模型生成推荐结果。深度学习模型单独封装为服务模块，接收预处理后的用户数据和景点特征，返回推荐概率列表。数据库层存储结构化数据表，模型文件以本地文件形式存储。各层之间通过HTTP请求和Python函数调用交互，整体结构简单清晰，便于功能扩展和维护。如下图4-1所示：

图4-1 系统架构图

4.2 系统功能模块设计

系统划分为用户管理、景点信息、酒店信息、美食推荐、路线规划、后台管理六大模块。用户管理模块处理账户相关操作，景点信息模块提供浏览和搜索功能，酒店信息模块实现分类筛选，美食推荐模块展示餐厅数据，路线规划模块整合深度学习模型生成行程，后台管理模块支持基础数据维护。各模块功能相互独立又通过数据交互形成完整服务链路。如下图4-2所示：

图4-2 系统总体功能结构图

1.用户管理模块

（1）用户注册：输入用户名和密码创建新账户

（2）用户登录：验证账户信息进入系统

（3）用户注销：安全退出当前账号

2.景点信息模块

（1）景点浏览：按分类查看景点列表

（2）景点搜索：通过名称关键词查找目标

（3）详情展示：查看景点评分、位置等详细信息

3.酒店信息模块

（1）价格筛选：设定价格区间过滤酒店

（2）星级筛选：选择1-5星酒店等级

（3）列表展示：显示符合条件的酒店信息

4.美食推荐模块

（1）菜系分类：按中餐/西餐等类型筛选

（2）餐厅列表：展示餐厅地址、人均消费

5.路线规划模块

（1）参数设置：填写旅行天数、偏好类型

（2）智能推荐：生成包含景点和酒店的路线

（3）结果展示：图文形式呈现每日行程安排

4.3 模型设计

系统采用两个深度学习模型实现推荐功能。POI嵌入模型负责将景点信息转换为计算机可处理的数字向量，通过三层神经网络提取特征。具体实现时，每个景点ID被转换为32维向量，经过线性层逐步压缩为1维评分预测值。路线推荐模型整合景点向量和用户行为数据，使用LSTM层分析用户访问景点的先后顺序，注意力机制自动识别重要节点。模型训练时，将用户历史访问记录切分为固定长度的序列，每个序列包含用户连续访问的多个景点ID及其特征数据。通过计算预测景点与真实访问景点的差异调整模型参数，最终输出推荐概率排名。

图4-3 模型训练流程图

模型训练过程分为数据准备、特征处理、迭代优化三个阶段。原始数据经过清洗后生成景点特征矩阵和用户访问序列，归一化处理确保不同特征处于相同数值范围。训练时每次选取20条序列作为一批输入模型，经过前向传播计算损失值后，反向传播更新网络权重。为防止模型过度依赖部分特征，训练时随机屏蔽20%的神经元。训练完成后，模型参数保存为文件供后续调用。实际推荐时，用户输入的起点和偏好参数被转换为模型输入格式，经过推理得到推荐结果后，按地理位置和开放时间排序生成最终路线。

5 系统实现

5.1 用户端实现

5.1.1 用户登陆

用户登录界面是服务运行后的首要访问界面，界面中有两个输入框，通过输入用户名和密码，点击登录，系统验证用户名和密码通过后，即可进入系统首页。同时未注册的用户可点击注册按钮进行注册。如下图5-1所示：

图5-1 用户登陆界面图

5.1.2 系统首页

用户登录后，跳转至系统首页，该界面主要是欢迎界面，并设置4个便捷的跳转链接，包括景点：探索热门景点，了解详细信息和游客评价、酒店：浏览舒适的住宿选择，查看房问数量、美食：发现当地特色美食，寻找最佳餐厅、路线规划：智能规划旅游路线，打造完美行程。如下图5-3所示：

图5-2 系统首页界面图

5.1.3 景点信息

景点信息处于网站上方导航栏的第二项，景点信息界面中，下方会以列表的形式粗略显示景点信息。包括景点名称、等级、类别、标签、评分和位置等信息，上方搜索栏可以根据景点名称模糊查询相应景点信息。如下图5-3所示：

图5-3 景点信息界面图

5.1.4 酒店信息

酒店信息处于网站上方导航栏的第三项， 酒店信息界面中，下方会以列表的形式粗略显示酒店信息。包括地址、房间类型、酒店名称、价格、评分和面积等信息。上方还可以通过酒店分类、酒店名称、酒店评分具体筛选酒店信息。如下图5-4所示：

图5-4 酒店信息界面图

5.1.5 美食信息

美食信息处于网站上方导航栏的第四项，美食信息界面中，下方会以列表的形式粗略显示美食信息。包括餐厅名称、地址、评分和价格等信息。上方还可以通过美食分类、餐厅名称、餐厅评分具体筛选酒店信息。如下图5-5所示：

图5-5 美食信息界面图

5.1.6 路线规划

路线规划处于网站上方导航栏的第四项，路线规划中在表单中输入相应数据设置旅行参数，输入信息包括起点位置、终点位置、旅行天数、预算和景点偏好，点击生成路线，系统基于训练好的模型生成最佳旅游路线。如下图5-6所示：

图5-6 路线规划界面图

智能路线规划结果框中展示路线之间所有的景点、餐厅、酒店的推荐信息，如下图5-7所示：

图5-7 路线规划界面图

6 系统测试

6.1 测试目的

系统测试主要用于检查功能实现效果和运行稳定性。首先需要验证各模块是否按照设计目标正常工作，例如用户能否成功注册登录、景点信息能否正确显示和搜索、路线规划功能能否生成合理行程。其次需要发现潜在缺陷，如页面加载错误、数据库查询异常或推荐结果不符合用户偏好等问题。通过测试确保系统在真实使用场景下稳定运行，避免出现数据丢失或功能失效的情况。

测试还用于评估系统性能是否满足基本要求。例如在推荐路线时，模型推理时间是否控制在合理范围内（如3秒内完成），多用户同时访问时系统能否保持正常响应。此外需要验证推荐结果的合理性，检查生成的景点顺序是否符合地理位置分布规律，推荐的酒店和餐厅是否靠近当日行程景点。

6.2 测试方法

测试采用黑盒测试与白盒测试结合的方式。黑盒测试重点检查用户操作流程：通过手动输入不同参数测试路线规划功能，例如输入不同天数、预算和偏好类型，观察推荐结果是否符合预期；尝试错误密码登录、输入超长文本等异常操作，验证系统的容错能力。白盒测试通过代码审查检测关键模块，例如检查用户注册时密码是否加密存储、数据库查询语句是否防止SQL注入攻击。

性能测试通过模拟多任务场景进行。使用JMeter工具模拟10个用户同时访问景点列表页，监测页面响应时间和服务器资源占用率。推荐算法测试时，输入50组不同用户的历史行为数据，统计推荐结果中用户实际选择景点的命中率。用户体验测试邀请5名同学试用系统，收集关于界面布局、操作流畅度、结果可理解性的反馈意见。

6.3 测试结论

测试结果表明系统基础功能运行正常，用户管理、信息浏览和路线规划等核心模块实现预期目标。推荐算法在80%的测试案例中生成合理路线，景点顺序基本符合地理位置邻近性原则。系统平均响应时间在3秒以内，多用户并发测试时未出现崩溃情况。存在部分问题需优化，例如景点图片加载偶发延迟、模型对小众景点推荐准确率较低。整体测试通过率为92%，满足毕业设计基本要求。

表6-1 测试结果表

测试模块	测试用例	预期结果	实际结果	是否通过
用户登录	输入正确用户名密码	跳转至首页 成功跳转	是
景点搜索	输入“西湖”关键词	显示西湖相关景点	返回3条相关记录	是
路线规划	设置2天行程/偏好自然景观	生成含6-8个景点的路线	生成2天7个景点路线	是
酒店筛选	选择价格200-300元区间	显示10家符合条件酒店	显示8家（数据量不足）	部分通过
模型响应	连续提交10次推荐请求	响应时间均≤3秒	平均2.8秒，最长3.5秒	是
异常操作	输入特殊符号作为用户名	提示格式错误	弹出输入限制提示	是