当前位置：首页 > news >正文

推荐系统：Python汽车推荐系统数据分析可视化协同过滤推荐算法汽车租赁 Django框架大数据计算机✅

news 2025/10/15 9:08:48

博主介绍：✌全网粉丝10W+，前互联网大厂软件研发、集结硕博英豪成立软件开发工作室，专注于计算机相关专业项目实战6年之久，累计开发项目作品上万套。凭借丰富的经验与专业实力，已帮助成千上万的学生顺利毕业，选择我们，就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

点击查看作者主页，了解更多项目！

🍅感兴趣的可以先收藏起来，点赞、关注不迷路，大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助同学们顺利毕业。🍅

1、毕业设计：2026年计算机专业毕业设计选题汇总（建议收藏）✅

2、最全计算机专业毕业设计选题大全（建议收藏）✅

1、项目介绍

技术栈：Python语言、Django框架（Web后端+MVT架构）、MySQL数据库（存储汽车/用户/订单数据）、Echarts可视化（浏览量排行/数据统计）、基于用户的协同过滤推荐算法、HTML+CSS（前端交互界面）
核心功能：汽车租赁全流程支持（选车-推荐-下单-充值-订单管理）、汽车信息展示（热门车型/详情）、用户交互（点赞/收藏/评分/评论）、个性化推荐（协同过滤驱动）、数据可视化（浏览量排行）、后台管理（数据/订单/评分管控）
研究背景：汽车租赁行业线上化需求激增，但传统平台存在痛点——用户选车依赖人工咨询，难以快速匹配“符合预算/使用场景的车型”；推荐仅依赖热门度，忽略个人偏好（如用户常租SUV却推荐轿车）；租赁流程分散（选车与支付、订单查询需切换页面），用户体验差，亟需“一站式、个性化”的汽车租赁线上系统解决。
研究意义：技术层面，整合Django全栈开发、协同过滤推荐与租赁业务逻辑，构建“推荐-租赁-管理”闭环；应用层面，为用户提供“精准选车+便捷租赁”体验，为商家提供“数据化运营+订单管控”工具；学习层面，适合作为Web开发+业务场景结合的毕业设计，覆盖核心技术与实际商业需求。

2、项目界面

首页----热门汽车（热门租赁车型展示）
汽车详情页—详情信息、评分、点赞、收藏、评论（单车型租赁参考）
浏览量排行榜可视化（热门车型数据洞察）
我的收藏（用户偏好车型管理）
我的租赁订单（用户订单状态查询）
汽车推荐—协同过滤算法（个性化租赁推荐）
充值中心—租赁汽车（租赁支付前置支持）
注册登录（用户身份认证）
后台数据管理（全量数据运维）
用户评分管理（评分真实性管控）

3、项目说明

本项目是基于Django开发的汽车租赁一站式智能系统，聚焦“个性化选车-便捷租赁-高效管理”核心需求，通过协同过滤算法实现精准推荐，Echarts实现数据可视化，配套完整的租赁流程（充值-下单-订单跟踪）与后台管控，旨在解决传统汽车租赁平台“选车难、流程散、管理乱”的问题。

（1）系统架构与技术逻辑

架构设计：采用Django MVT架构，结合业务场景分层，支撑租赁全流程：
1. 数据层（MySQL）：核心表结构覆盖全业务——
  - 汽车表：车型、配置（座位数/油耗）、租赁价格（日租/月租）、图片、库存状态；
  - 用户表：账号、密码（加密存储）、余额、注册信息、浏览/收藏记录；
  - 订单表：订单号、用户ID、汽车ID、租赁周期、金额、支付状态（待支付/已完成/已取消）；
  - 评分表：用户ID、汽车ID、评分（1-5星）、评论内容、时间；
2. 业务逻辑层（Django）：
  - 模型层（Model）：映射数据库表，定义数据关联（如“订单-用户-汽车”多对一关系）；
  - 视图层（View）：处理核心业务——用户认证（注册登录）、租赁流程（下单/支付/订单状态更新）、推荐算法调用、数据统计（浏览量/评分）；
  - 模板层（Template）：结合HTML+CSS渲染前端界面，嵌入Echarts图表与交互组件；
3. 算法层：基于用户的协同过滤算法，以“用户行为（浏览/收藏/评分）”为核心，生成个性化租赁推荐；
4. 交互层：前端界面支持“选车-推荐-下单-充值-查单”闭环操作，降低用户操作成本；
核心流程：用户注册登录→浏览热门/推荐车型→查看详情并收藏/评分→下单租赁→充值支付→在“我的订单”跟踪状态→管理员通过后台维护数据/管控评分。

（2）核心功能模块详解

① 汽车租赁核心流程模块（业务闭环）

功能：覆盖“选车-下单-支付-订单管理”全流程，实现租赁线上化；
关键环节实现：
1. 选车与推荐：用户通过“首页热门汽车”“汽车推荐”模块筛选车型，推荐算法基于历史行为匹配偏好（如常租7座车则优先推荐MPV）；
2. 下单：在汽车详情页点击“立即租赁”，选择租赁周期（日租/月租），系统自动计算金额（如日租200元×3天=600元），生成待支付订单；
3. 充值支付：用户进入“充值中心”，选择充值金额（支持自定义），完成支付后余额更新，可用于支付订单（系统记录充值日志，保障资金可追溯）；
4. 订单管理：“我的租赁订单”展示所有订单，标注状态（待支付/已支付/已完成），支持“取消待支付订单”“查看已完成订单详情”，后台管理员可同步查看全量订单，处理异常（如用户取消已确认订单）。

② 基于用户的协同过滤推荐模块（技术核心）

功能：解决“推荐同质化”问题，为租赁场景提供精准车型匹配；
技术实现：
1. 行为数据采集：记录用户核心行为并赋值权重——浏览（权重1）、收藏（权重3）、评分（权重=评分值，如5星=5），构建“用户-汽车行为矩阵”；
2. 相似度计算：通过余弦相似度计算“目标用户与其他用户的行为相似度”，公式为：
  $\text{sim}(u,v) = \frac{\sum_{i \in I_{uv}} w_{ui} \times w_{vi}}{\sqrt{\sum_{i \in I_u} w_{ui}^2} \times \sqrt{\sum_{i \in I_v} w_{vi}^2}}$
  其中 $u$ 为目标用户， $v$ 为其他用户， $w_{ui}$ 为 $u$ 对汽车 $i$ 的行为权重， $I_{uv}$ 为两者共同交互的汽车集合；
3. 推荐生成：筛选相似度≥0.6的TOP15相似用户，提取其高权重（收藏/5星评分）且目标用户未浏览的汽车，按“加权得分”降序生成TOP8推荐列表，标注“推荐理由”（如“与您偏好相似的用户常租此车型”）。

③ 数据可视化与用户交互模块（体验支撑）

数据可视化（Echarts核心应用）：
1. 浏览量排行榜：柱状图展示“TOP10热门车型浏览量”（如“丰田汉兰达浏览量1200次，排名第一”），支持按“周/月”切换统计周期，帮助用户快速定位高关注度车型；
2. 隐性数据支撑：后台可查看“各车型租赁转化率”（浏览量→下单量）、“用户评分分布”（如某车型4-5星占比85%），辅助商家优化车型库存。
用户交互功能：
1. 点赞/收藏/评论：用户在详情页对车型点赞（增加热度值）、收藏（加入“我的收藏”，便于后续租赁）、发表评论（补充使用体验，如“空间大，适合家庭出行”），所有操作实时同步至数据库；
2. 评分管理：用户提交评分后，管理员在“用户评分管理”模块审核，删除恶意评分（如无理由1星），保障评分真实性，为其他用户提供可靠参考。

④ 后台管理模块（运维支撑）

功能：保障系统数据准确与业务稳定，分为两大核心：
1. 全量数据管理：管理员通过“后台数据管理”维护汽车数据（新增车型、更新租赁价格、调整库存）、用户数据（禁用违规账号、重置用户密码）、订单数据（处理用户取消申请、标记订单完成）；
2. 评分管控：“用户评分管理”模块展示所有用户评分，支持按“车型/时间”筛选，管理员可删除不合理评分（如广告评论、恶意低分），维护评分体系公正性。

4、核心代码

def add_order(request):# 用户预定车辆user_id = request.session.get('user_id')car_id = request.POST.get('car_id')car = CarModel.objects.get(id=car_id)user = UserInfoModel.objects.get(id=user_id)if user.money < car.price:return JsonResponse({'code': 400, 'message': '您的账户余额不足，请充值'})if car.number == 0:return JsonResponse({'code': 400, 'message': '该车辆暂无库存'})OrderModel.objects.create(user_id=user_id,car_id=car_id,price=car.price)user.money -= car.priceuser.save()car.number -= 1car.save()return JsonResponse({'code': 200})def add_collect(request):# 添加收藏user_id = request.session.get('user_id')car_id = request.POST.get('car_id')flag = CollectModel.objects.filter(user_id=user_id, item_id=car_id).first()if flag:return JsonResponse({'code': 400, 'message': '该车辆已收藏，请勿重复添加'})CollectModel.objects.create(user_id=user_id,item_id=car_id)return JsonResponse({'code': 200})def input_score(request):# 用户对汽车进行评分user_id = request.session.get('user_id')if not user_id:return JsonResponse({'code': 400, 'message': '请先登录'})score = int(request.POST.get('score'))car_id = request.POST.get('car_id')MarkModel.objects.create(item_id=car_id,score=score,user_id=user_id)return JsonResponse({'code': 200})def add_comment(request):# 添加评论user_id = request.session.get('user_id')if not user_id:return JsonResponse({'code': 400, 'message': '请先登录'})content = request.POST.get('content')car_id = request.POST.get('car_id')if not content:return JsonResponse({'code': 400, 'message': '内容不能为空'})CommentModel.objects.create(user_id=user_id,content=content,car_id=car_id)return JsonResponse({'code': 200})def my_info(request):user_id = request.session.get('user_id')if request.method == 'GET':# 个人信息界面info = UserInfoModel.objects.filter(id=user_id).first()context = {'info': info}return render(request, 'my_info.html', context=context)else:# 更新个人信息username = request.POST.get('username')password = request.POST.get('password')phone = request.POST.get('phone')if not (username or password or phone):return JsonResponse({'code': 400, 'message': '参数不能为空'})UserInfoModel.objects.filter(id=user_id).update(username=username,password=password,phone=phone,)return JsonResponse({'code': 200})def top_up(request):user_id = request.session.get('user_id')user = UserInfoModel.objects.get(id=user_id)if request.method == 'GET':# 显示充值界面context = {'user': user}return render(request, 'top_up.html', context=context)else:money = request.POST.get('money')if not money:return JsonResponse({'code': 400, 'message': '充值金额不能为空'})user.money = user.money + int(money)user.save()return JsonResponse({'code': 200})def calculate_cosine_similarity(user_ratings1, user_ratings2):# 将用户1的车辆评分存入字典，键为车辆ID，值为评分item_ratings1 = {rating.item_id: rating.score for rating in user_ratings1}# 将用户2的车辆评分存入字典，键为车辆ID，值为评分item_ratings2 = {rating.item_id: rating.score for rating in user_ratings2}# 找出两个用户共同评价过的车辆common_items = set(item_ratings1.keys()) & set(item_ratings2.keys())if len(common_items) == 0:return 0.0  # 无共同评价的车辆，相似度为0# 提取共同评价车辆的评分，存入NumPy数组user1_scores = np.array([item_ratings1[item_id] for item_id in common_items])user2_scores = np.array([item_ratings2[item_id] for item_id in common_items])# 计算余弦相似度cosine_similarity = np.dot(user1_scores, user2_scores) / (np.linalg.norm(user1_scores) * np.linalg.norm(user2_scores))return cosine_similaritydef user_based_recommendation(request, user_id):try:# 获取目标用户对象target_user = UserInfoModel.objects.get(id=user_id)except UserInfoModel.DoesNotExist:return JsonResponse({'code': 400, 'message': '该用户不存在'})# 获取目标用户的车辆评分记录target_user_ratings = MarkModel.objects.filter(user=target_user)# 用于存储推荐车辆的字典recommended_items = {}# 遍历除目标用户外的所有其他用户for other_user in UserInfoModel.objects.exclude(pk=user_id):# 获取其他用户的车辆评分记录other_user_ratings = MarkModel.objects.filter(user=other_user)# 计算目标用户与其他用户的相似度similarity = calculate_cosine_similarity(target_user_ratings, other_user_ratings)if similarity > 0:# 遍历其他用户评价的车辆for item_rating in other_user_ratings:# 仅考虑目标用户未评价过的车辆if item_rating.item not in target_user_ratings.values_list('item', flat=True):if item_rating.item.id in recommended_items:# 累积相似度加权的评分和相似度recommended_items[item_rating.item.id]['score'] += similarity * item_rating.scorerecommended_items[item_rating.item.id]['similarity'] += similarityelse:# 创建推荐车辆的记录recommended_items[item_rating.item.id] = {'score': similarity * item_rating.score,'similarity': similarity}# 将推荐车辆按照加权评分排序sorted_recommended_items = sorted(recommended_items.items(), key=lambda x: x[1]['score'], reverse=True)# 获取排名靠前的推荐车辆的IDtop_recommended_items = [item_id for item_id, _ in sorted_recommended_items[:5]]# 构建响应数据response_data = []for item_id in top_recommended_items:item = CarModel.objects.get(pk=item_id)similarity = recommended_items[item_id]['similarity']response_data.append({'name': item.name,'id': item.id,'image': item.image,'similarity': similarity,})context = {'response_data': response_data}return render(request, 'item_recommend.html', context=context)def view_count(request):# 浏览量if request.method == 'GET':return render(request, 'view_count.html')else:cars = CarModel.objects.all().order_by('-view_number')[:10]name_list = []count_list = []for car in cars:name_list.append(car.name)count_list.append(car.view_number)return JsonResponse({'code': 200, 'name_list': name_list, 'count_list': count_list})