)
博主介绍：✌ 专注于VUE,小程序，安卓，Java,python,物联网专业，有18年开发经验，长年从事毕业指导，项目实战✌选取一个适合的毕业设计题目很重要。✌关注✌私信我✌具体的问题，我会尽力帮助你。
一、研究目的
在全球旅游业迅猛发展的背景下，旅游线路规划已成为提升游客体验与行业运营效率的关键环节。传统的线路规划方法多依赖人工经验与静态数据，难以满足个性化需求与实时动态信息的更新。为此，本研究旨在构建基于SpringBoot框架的旅游路线智能规划系统，以实现对游客偏好、景点属性、交通状况等多维度信息的统一管理与高效调度。系统通过采集开放API提供的实时交通与天气数据，并结合用户历史行为与兴趣标签，利用图算法和机器学习模型自动生成最优行程路径。研究的核心目标包括：一是实现对大规模旅游资源的动态索引与查询，二是构建可扩展的推荐引擎，实现多维度个性化匹配，三是通过微服务架构提升系统弹性与维护效率。通过上述功能，本系统将为旅游企业提供精细化运营决策支持，为游客呈现更加便利、舒适且符合个人兴趣的旅行体验。系统采用分层架构设计，前端采用Vue.js与Element Plus实现交互界面，后端通过SpringBoot整合MyBatis-Plus完成数据持久化，并利用Redis缓存热点数据以提升查询性能。算法层面将引入基于Dijkstra与A*的路径规划算法，并结合协同过滤与深度学习模型进行个性化推荐，以实现对不同用户群体的精准服务。系统评估将通过用户实验与案例分析相结合，采集满意度、行程时间缩短率等指标，以验证其在实际应用中的可行性与价值。除此之外，系统将兼顾可持续发展理念，在路线规划中加入碳排放评估与绿色交通选项，以促进低碳旅游的推广。通过上述研究，本论文不仅填补了基于SpringBoot平台的旅游智能规划系统在技术实现与算法创新方面的空白，也为相关企业提供了可复制、可扩展的技术参考。
二、研究意义
本研究在全球旅游业数字化转型的大背景下，具有重要的理论与实践意义。首先，从技术创新层面来看，基于SpringBoot的旅游路线智能规划系统突破了传统单一信息平台的局限，实现了多源异构数据的高效集成与实时处理，为旅游信息系统提供了可复制、可扩展的技术范式。其次，在算法与模型方面，该系统融合图论路径优化与协同过滤推荐，能够在海量景点与交通网络中快速生成最优行程方案，显著提升用户体验与运营效率。再次，从经济效益角度评估，该系统通过精准匹配游客需求与资源供给，可降低旅游企业的营销成本、提升客单价，并通过动态价格机制实现资源的最优配置。再者，在社会层面，该平台支持多元化兴趣标签与个性化推荐，满足不同年龄、文化背景游客的差异化需求，促进旅游消费的均衡发展。除此之外，系统在可持续发展方面亦具备积极作用，通过引入碳排放评估与绿色交通选项，引导游客选择低碳出行方式，助力旅游业实现绿色转型。最后，从学术研究视角，该项目构建了一个多维度数据融合、算法交互的案例，为后续在智能推荐、实时大数据处理等领域提供了可借鉴的实验平台与理论支撑。综合上述因素，本研究不仅填补了基于SpringBoot框架的旅游路线规划系统在技术实现与应用实践方面的空白，也为推动旅游业数字化升级、提升行业竞争力和实现可持续发展提供了重要参考。
三、国内外研究现状
在全球旅游信息化与智能化浪潮中，旅游线路规划已成为学术与产业界关注的热点课题。国际上，研究者普遍聚焦于基于图论的路径优化、协同过滤与深度学习相结合的个性化推荐，以及大规模实时数据流的处理技术。早期工作主要采用Dijkstra、A*等经典算法在静态图上求解最短路径，随后学术界引入多目标优化框架，以兼顾时间成本、费用与景点体验度。近年来，随着深度学习技术的成熟，研究者尝试将循环神经网络与注意力机制应用于行程序列预测，从而提升推荐的上下文关联性。与此同时，云计算与分布式存储的引入，使得旅游大数据能够在海量用户访问下保持低延迟响应，为实时动态规划奠定了技术基础。
在算法层面，国外研究呈现出多样化趋势。图神经网络被用于捕捉景点间复杂关系，生成更具语义的路径表示；强化学习方法则通过模拟用户决策过程，实现自适应路线调整；混合模型将传统优化与机器学习结合，既保留了可解释性，又提升了预测精度。除此之外，学术界还关注多模态数据融合，例如将社交媒体文本、图片与GPS轨迹联合建模，以更全面地刻画游客兴趣与行为特征。
国内研究同样快速发展，但侧重点略有差异。许多高校与科研院所聚焦于区域旅游资源的数字化管理，利用GIS技术构建景区位置网络，并将实时交通、天气等外部因素纳入规划模型。基于移动端的智能推荐系统成为热点，研究者通过用户画像与行为日志实现个性化行程推送。与此同时，国内学者也在探索基于大数据的需求预测与资源调度，尝试通过机器学习模型对游客流量进行短期预测，以优化景区门票分配与交通调度。
在技术实现层面，国内外均已开展多种实验平台建设。国外实验多采用开源框架，如Apache Spark与GraphX进行大规模图计算；国内则倾向于使用轻量级微服务架构，结合Redis缓存热点数据，以提升系统响应速度。两者在算法选择与系统架构上各有优势，国内系统更注重对移动端用户体验的优化，而国外系统则更强调模型的可解释性与跨域适用性。
总体来看，国际研究在算法创新与大规模实时处理方面取得显著进展，已形成一套成熟的技术体系；国内研究则在应用场景与系统集成方面表现突出，尤其是在区域旅游资源整合与移动端交互体验方面具有独特优势。两者相互补充，为构建基于SpringBoot的旅游路线智能规划系统提供了丰富的理论基础与技术参考。
四、预期达到目标及解决的关键问题
预期目标在于构建一套基于SpringBoot框架的旅游路线智能规划系统，该系统能够实现对多源异构数据的统一采集与高效管理，提供实时、个性化且可解释的行程推荐，从而显著提升游客体验与旅游企业运营效率。为达成此目标，首先需设计分层架构，其中数据层采用MyBatis-Plus完成对景区、交通、天气等信息的持久化存储，并通过Redis缓存热点数据以降低查询延迟；服务层采用SpringBoot微服务模式，支持水平扩展与灰度发布；表现层利用Vue.js实现响应式交互界面，支持多终端访问。其次，在算法层面，将图论路径优化与协同过滤推荐相结合，构建基于图神经网络的景点关联模型，并引入强化学习机制对用户行为进行动态反馈，从而在满足时间、费用与体验度等多目标约束的前提下生成最优行程。再次，系统需支持实时数据流处理，通过Kafka或RocketMQ实现交通拥堵、天气变化等事件的即时推送，并通过事件驱动触发路径重算，以保证推荐结果与现实情况高度一致。最后，在评估与验证方面，将通过用户实验与案例分析相结合，采集满意度、行程时间缩短率、门票收益提升等指标，以量化系统的实际价值。
关键问题主要集中在以下几个方面：一是数据异构性与质量控制，由于景区信息来源多样且更新频率不一，如何实现统一的标准化接口与自动清洗机制，是系统稳定性的前提；二是实时性与可扩展性挑战，系统需要在毫秒级别内完成路径计算并推送给数万并发用户，这对计算框架与缓存策略提出了极高要求；三是推荐准确性与可解释性的平衡，深度学习模型虽能提升预测精度，但缺乏透明度，如何通过模型蒸馏或规则化约束实现可解释性，是提升用户信任的关键；四是多目标优化的权衡，在时间、费用与体验等维度之间寻找最优解，需要设计高效的多目标搜索算法并提供可调节的权重机制；五是系统安全与隐私保护，用户数据涉及位置轨迹与消费偏好，必须遵循GDPR或国内数据安全法规定，实施差分隐私或同态加密等技术。针对上述问题，本研究将通过模块化设计、异步计算与容错机制、可解释模型集成以及多目标优化框架的创新，为实现高效、精准且安全的旅游路线智能规划提供理论与技术支持。
五、研究内容
本研究以构建基于SpringBoot框架的旅游路线智能规划系统为核心目标，围绕系统总体架构、数据采集与预处理、服务层设计、算法实现与模型融合以及评估验证等方面展开。首先，在系统总体架构层面，采用分层设计思想，将数据访问层、业务逻辑层和表现层严格分离；数据访问层通过MyBatis-Plus实现对景区信息、交通网络、天气预报及用户行为日志等多源异构数据的统一持久化，并利用Redis缓存热点数据以降低查询延迟；业务逻辑层则采用SpringBoot微服务模式，将路径优化、推荐推理、实时事件处理等功能模块化，支持水平扩展与灰度发布；表现层采用Vue.js实现响应式交互界面，支持移动端与桌面端的无缝切换，并通过WebSocket实现实时推送。其次，在数据采集与预处理层面，本研究将设计统一的数据接口规范，整合来自开放API、第三方服务商以及本地传感器的实时数据；针对数据质量问题，将引入自动化清洗流程，包括缺失值填补、异常检测与时间同步校正，以保证后续算法输入的可靠性。随后，在业务逻辑层的核心算法实现方面，系统将结合图论路径优化与协同过滤推荐两大技术：一方面，利用Dijkstra、A*等经典算法在预构建的景点交通图上求解最短路径；另一方面，引入图神经网络对景点之间的语义关联进行学习，并通过强化学习框架对用户行为进行动态反馈，以实现多目标优化（时间成本、费用支出、体验满意度）的个性化行程生成。为提升算法的可解释性与实时性，研究将采用模型蒸馏技术将深度模型压缩为轻量级模型，并通过事件驱动机制在交通拥堵或天气突变时触发路径重算。再次，在实时数据流处理层面，系统将利用Kafka或RocketMQ搭建高吞吐量的消息队列，实现交通、天气等外部事件的异步推送；通过Spark Streaming或Flink实现对流式数据的即时分析与模型更新，确保推荐结果与现实环境高度一致。最后，在评估验证层面，本研究将采用用户实验与案例分析相结合的方法，设计多维度评价指标（满意度、行程时间缩短率、门票收益提升、碳排放降低等），并通过A/B测试对比传统规划方法与本系统的性能差异，以量化系统的实际价值与可推广性。综上所述，本研究通过多层次、多技术融合的整体设计，力求在旅游线路智能规划领域实现高效、精准、可解释且安全的解决方案。
六、需求分析
用户需求方面，本系统首先需满足游客对个性化行程的强烈渴求，能够根据个人兴趣标签、历史游览记录与实时偏好动态生成符合其需求的路线；其次，游客期望在行程规划过程中获得实时更新，包括交通拥堵、天气变化与景区门票状态等信息，以便及时调整计划；再次，现代游客多使用移动设备进行旅游规划与查询，因此系统必须实现跨平台兼容性，支持手机、平板与桌面端无缝切换，并提供离线缓存功能以应对网络不稳定情况；此外，游客对行程成本与时间的双重考量日益突出，系统需在推荐时兼顾费用预算与时间安排，并提供可视化的成本收益分析；最后，随着绿色旅游理念深入人心，游客也期望能够获得低碳出行方案，例如公共交通优先、步行或骑行路径建议，以降低个人碳足迹。功能需求方面，系统首先要构建统一的数据采集与预处理模块，能够实时拉取并清洗景区信息、交通网络、天气预报与用户行为日志等多源数据；随后需实现用户画像管理模块，支持兴趣标签、预算偏好与历史行程的动态维护；在核心业务层，系统必须集成图论路径优化引擎与协同过滤推荐模型，能够在满足时间、费用与体验度约束的前提下生成多条可选路线，并通过强化学习机制实现对用户反馈的自适应调整；此外，为确保实时性，系统需搭建消息队列与流处理框架，对交通拥堵、天气突变等事件进行异步推送并触发路径重算；在表现层，系统应提供响应式交互界面，支持路线可视化、行程细节查看与在线预订功能，并通过WebSocket实现实时通知；最后，为评估系统效果与持续改进，需设计可配置的评价指标模块，包括满意度评分、行程时间缩短率、门票收益提升率与碳排放降低量等，并支持A/B测试与日志分析。
七、可行性分析
经济可行性方面，系统的研发与运营成本主要集中在软件开发、服务器租赁、数据接口采购与维护以及市场推广四个方面。通过采用开源框架SpringBoot与MyBatis-Plus，可显著降低开发周期与人力投入，并利用云服务提供弹性计算资源以实现按需计费；数据接口方面，部分基础信息如景区基本属性可通过政府开放数据获取，减少采购费用；实时交通与天气数据则可通过订阅商业API获得增值服务，成本相对可控。与此同时，系统所提供的个性化路线规划功能具备较高的商业价值，可为旅游企业实现门票预售、套餐销售与广告投放等多元化收入模式；通过对游客行程进行精准推荐，能够提升客单价与复购率，从而在短期内实现成本回收并产生正向现金流。基于市场调研显示，国内旅游行业用户对智能规划服务的需求持续增长，预计系统上线后可在三至五年内实现盈亏平衡，并为投资方带来可观的资本回报。
社会可行性方面，系统将显著提升游客体验与旅游资源利用效率，从而对社会经济与文化传播产生积极影响。首先，个性化路线规划能够帮助游客更好地了解当地文化景观，促进旅游消费与地方经济发展；其次，通过实时更新交通与天气信息，可降低游客因突发状况导致的安全风险，提升行业服务质量；再次，系统支持低碳出行方案的推荐，有助于推广绿色旅游理念并减缓环境压力。与此同时，系统在收集与处理用户位置轨迹、消费记录等敏感数据时需严格遵守个人信息保护法规，通过差分隐私与数据脱敏技术保障用户隐私，提升公众信任度。社会层面的接受度亦取决于系统的易用性与透明度，若界面设计简洁、推荐逻辑可解释且反馈机制完善，将进一步增强用户粘性与口碑传播。
技术可行性方面，系统采用微服务架构与分布式缓存技术，可实现高并发处理与弹性伸缩，满足旅游高峰期的访问需求。数据层面，通过MyBatis-Plus与Redis的结合，可实现对海量景区、交通及天气数据的高效存储与查询；同时，Kafka或RocketMQ等消息队列支持实时事件流的异步处理，保证系统对突发交通拥堵或天气变化的即时响应。算法层面，图神经网络与强化学习模型已在学术与工业界得到验证，可在保持可解释性的前提下提升推荐精度；通过模型蒸馏与量化技术，可将复杂模型压缩为轻量级版本，满足移动端实时推算的需求。整体技术方案兼容主流云平台与容器化部署，降低运维成本，并支持持续集成与自动化测试，确保系统的稳定性与可维护性。综上所述，从经济、社会与技术三维度分析，本研究构建的基于SpringBoot的旅游路线智能规划系统具备可行性与实施价值。
八、功能分析
系统功能模块划分遵循业务层次与技术实现的耦合原则，整体结构由数据层、业务层与表现层三大块组成。数据层主要包含数据采集与预处理模块、持久化存储模块以及缓存管理模块；业务层聚焦于用户画像管理、路线规划引擎、推荐推理引擎、实时事件处理与通知系统；表现层负责前端交互界面、移动端适配以及在线预订与支付功能。各模块间通过RESTful API与消息队列实现解耦通信，确保系统可扩展性与高可用性。
数据采集与预处理模块负责从政府开放平台、第三方交通与天气服务商以及本地传感器等多源渠道拉取原始数据；该模块实现统一的数据格式转换、缺失值填补、异常检测与时间同步校正，随后将清洗后的数据推送至持久化存储。持久化存储模块采用MyBatis-Plus映射框架，将景区基本信息、交通网络拓扑、天气预报以及用户行为日志等表结构化存储于关系数据库中；为提升查询性能，缓存管理模块使用Redis对热点数据进行分布式缓存，并实现LRU淘汰策略与数据失效同步。用户画像管理模块维护用户的兴趣标签、预算偏好、历史行程与实时反馈，支持增删改查操作，并通过聚类算法自动更新兴趣向量。路线规划引擎基于图论算法（如Dijkstra、A*）在预构建的景点交通图上求解最短路径，并结合多目标优化框架考虑时间成本、费用与体验度约束，生成可选路线列表。推荐推理引擎融合协同过滤、图神经网络与强化学习模型，对用户画像与实时上下文进行匹配，输出个性化行程建议，并通过模型蒸馏技术保证推理速度。实时事件处理模块利用Kafka或RocketMQ实现交通拥堵、天气突变等事件的异步推送；在事件触发时，系统自动重新计算受影响路径并通过WebSocket将更新结果推送给前端。通知与提醒系统负责向用户发送行程变更、门票预订成功、天气警报等消息，并支持多渠道（APP推送、短信、邮件）交付。在线预订与支付模块集成第三方支付SDK，完成门票预订、套餐购买与订单管理，保证交易安全与资金清算。分析与报告模块为运营团队提供满意度评分、行程时间缩短率、门票收益提升率以及碳排放降低量等关键指标的可视化报表，并支持A/B测试与日志分析。安全与隐私模块实现差分隐私、数据脱敏与访问控制，确保用户敏感信息得到充分保护。表现层通过Vue.js构建响应式交互界面，支持地图可视化、行程编辑与实时协作；移动端适配采用PWA技术实现离线缓存与推送功能；前后端通过HTTPS加密通信，并采用JWT进行身份认证。整个系统通过Docker容器化部署于云平台，利用Kubernetes实现弹性伸缩与灰度发布，保证在旅游高峰期的高可用性与低延迟响应。
九、数据库设计
表：users
字段名(英文) 说明(中文) 大小 类型 主外键 备注
id 主键，游客唯一标识 36 VARCHAR PK
username 用户名 50 VARCHAR -
password_hash 密码哈希 64 CHAR -
email 邮箱地址 100 VARCHAR -
phone_number 手机号码 15 VARCHAR -
created_at 注册时间 N/A DATETIME -
表：scenic_spots
字段名(英文) 说明(中文) 大小 类型 主外键 备注
id 主键，景点唯一标识 36 VARCHAR PK
name 景点名称 100 VARCHAR -
location_latitude 纬度 N/A DOUBLE -
location_longitude 经度 N/A DOUBLE -
description 景点描述 N/A TEXT -
表：traffic_network_edges
字段名(英文) 说明(中文) 大小 类型 主外键 备注
id 主键，边唯一标识 36 VARCHAR PK
from_spot_id 起点景点ID 36 VARCHAR FK scenic_spots.id
to_spot_id 终点景点ID 36 VARCHAR FK scenic_spots.id
distance_km 距离（公里） N/A DOUBLE -
average_speed_kmh 平均速度（公里/小时） N/A DOUBLE -
表：weather_forecast
字段名(英文) 说明(中文) 大小 类型 主外键 备注
id 主键，天气记录唯一标识 36 VARCHAR PK
spot_id 景点ID 36 VARCHAR FK scenic_spots.id
forecast_time 预测时间 N/A DATETIME -
temperature_c 温度（摄氏度） N/A DOUBLE -
precipitation_mm 降水量（毫米） N/A DOUBLE -
wind_speed_kmh 风速（公里/小时） N/A DOUBLE -
表：user_preferences
字段名(英文) 说明(中文) 大小 类型 主外键 备注
id 主键，偏好记录唯一标识 36 VARCHAR PK
user_id 用户ID 36 VARCHAR FK users.id
preference_type 偏好类型（兴趣、预算、时间限制）N/A ENUM -
value 值（如兴趣标签或预算金额） N/A VARCHAR -
表：routes
字段名(英文) 说明(中文) 大小 类型 主外键 备注
id 主键，路线唯一标识 36 VARCHAR PK
user_id 用户ID 36 VARCHAR FK users.id
created_at 创建时间 N/A DATETIME -
total_distance_km 总距离（公里） N/A DOUBLE -
total_time_min 总时长（分钟） N/A DOUBLE -
total_cost 总费用（元） N/A DOUBLE -
表：route_spots
字段名(英文) 说明(中文) 大小 类型 主外键 备注
id 主键，路线景点唯一标识 36 VARCHAR PK
route_id 路线ID 36 VARCHAR FK routes.id
spot_id 景点ID 36 VARCHAR FK scenic_spots.id
order_index 景点顺序 N/A INT -
表：orders
字段名(英文) 说明(中文) 大小 类型 主外键 备注
id 主键，订单唯一标识 36 VARCHAR PK
user_id 用户ID 36 VARCHAR FK users.id
route_id 路线ID 36 VARCHAR FK routes.id
order_time 下单时间 N/A DATETIME -
status 订单状态（待支付、已支付、已取消）N/A ENUM -
total_amount 总金额（元） N/A DOUBLE -
表：event_logs
字段名(英文) 说明(中文) 大小 类型 主外键 备注
id 主键，日志唯一标识 36 VARCHAR PK
event_type 事件类型（交通拥堵、天气变化）N/A ENUM -
event_time 事件时间 N/A DATETIME -
details 事件详情 N/A TEXT -
十、建表语句
CREATE DATABASE IF NOT EXISTS travel_planner CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;
USE travel_planner;
-- 用户表
CREATE TABLE users (
id CHAR(36) NOT NULL,
username VARCHAR(50) NOT NULL,
password_hash CHAR(64) NOT NULL,
email VARCHAR(100),
phone_number VARCHAR(15),
created_at DATETIME DEFAULT CURRENT_TIMESTAMP,
PRIMARY KEY (id),
UNIQUE KEY uq_users_username (username),
UNIQUE KEY uq_users_email (email)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
-- 景点表
CREATE TABLE scenic_spots (
id CHAR(36) NOT NULL,
name VARCHAR(100) NOT NULL,
location_latitude DOUBLE NOT NULL,
location_longitude DOUBLE NOT NULL,
description TEXT,
PRIMARY KEY (id),
UNIQUE KEY uq_scenic_spots_name (name)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
-- 交通网络边表
CREATE TABLE traffic_network_edges (
id CHAR(36) NOT NULL,
from_spot_id CHAR(36) NOT NULL,
to_spot_id CHAR(36) NOT NULL,
distance_km DOUBLE NOT NULL,
average_speed_kmh DOUBLE NOT NULL,
PRIMARY KEY (id),
KEY idx_traffic_from_to (from_spot_id, to_spot_id),
CONSTRAINT fk_traffic_from_spot FOREIGN KEY (from_spot_id)
REFERENCES scenic_spots(id) ON DELETE CASCADE ON UPDATE CASCADE,
CONSTRAINT fk_traffic_to_spot FOREIGN KEY (to_spot_id)
REFERENCES scenic_spots(id) ON DELETE CASCADE ON UPDATE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
-- 天气预报表
CREATE TABLE weather_forecast (
id CHAR(36) NOT NULL,
spot_id CHAR(36) NOT NULL,
forecast_time DATETIME NOT NULL,
temperature_c DOUBLE NOT NULL,
precipitation_mm DOUBLE NOT NULL,
wind_speed_kmh DOUBLE NOT NULL,
PRIMARY KEY (id),
KEY idx_weather_spot_time (spot_id, forecast_time),
CONSTRAINT fk_weather_spot FOREIGN KEY (spot_id)
REFERENCES scenic_spots(id) ON DELETE CASCADE ON UPDATE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
-- 用户偏好表
CREATE TABLE user_preferences (
id CHAR(36) NOT NULL,
user_id CHAR(36) NOT NULL,
preference_type ENUM('interest','budget','time_limit') NOT NULL,
value VARCHAR(255) NOT NULL,
PRIMARY KEY (id),
KEY idx_user_pref_user (user_id),
CONSTRAINT fk_user_pref_user FOREIGN KEY (user_id)
REFERENCES users(id) ON DELETE CASCADE ON UPDATE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
-- 路线表
CREATE TABLE routes (
id CHAR(36) NOT NULL,
user_id CHAR(36) NOT NULL,
created_at DATETIME DEFAULT CURRENT_TIMESTAMP,
total_distance_km DOUBLE NOT NULL,
total_time_min DOUBLE NOT NULL,
total_cost DOUBLE NOT NULL,
PRIMARY KEY (id),
KEY idx_routes_user (user_id),
CONSTRAINT fk_routes_user FOREIGN KEY (user_id)
REFERENCES users(id) ON DELETE CASCADE ON UPDATE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
-- 路线景点关联表
CREATE TABLE route_spots (
id CHAR(36) NOT NULL,
route_id CHAR(36) NOT NULL,
spot_id CHAR(36) NOT NULL,
order_index INT NOT NULL,
PRIMARY KEY (id),
KEY idx_route_spot_route (route_id),
KEY idx_route_spot_spot (spot_id),
CONSTRAINT fk_route_spots_route FOREIGN KEY (route_id)
REFERENCES routes(id) ON DELETE CASCADE ON UPDATE CASCADE,
CONSTRAINT fk_route_spots_spot FOREIGN KEY (spot_id)
REFERENCES scenic_spots(id) ON DELETE CASCADE ON UPDATE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
-- 订单表
CREATE TABLE orders (
id CHAR(36) NOT NULL,
user_id CHAR(36) NOT NULL,
route_id CHAR(36) NOT NULL,
order_time DATETIME DEFAULT CURRENT_TIMESTAMP,
status ENUM('pending','paid','cancelled') NOT NULL,
total_amount DOUBLE NOT NULL,
PRIMARY KEY (id),
KEY idx_orders_user (user_id),
KEY idx_orders_route (route_id),
CONSTRAINT fk_orders_user FOREIGN KEY (user_id)
REFERENCES users(id) ON DELETE CASCADE ON UPDATE CASCADE,
CONSTRAINT fk_orders_route FOREIGN KEY (route_id)
REFERENCES routes(id) ON DELETE CASCADE ON UPDATE CASCADE
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
-- 事件日志表
CREATE TABLE event_logs (
id CHAR(36) NOT NULL,
event_type ENUM('traffic_congestion','weather_change') NOT NULL,
event_time DATETIME DEFAULT CURRENT_TIMESTAMP,
details TEXT,
PRIMARY KEY (id),
KEY idx_event_type_time (event_type, event_time)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4;
文章下方名片联系我即可~大家点赞、收藏、关注、评论啦 、查看下方👇🏻获取联系方式👇🏻
