SMART-TRIP: Sistema Multi-paradigma per Pianificazione Viaggi Intelligente

Sistema di pianificazione viaggi che integra quattro paradigmi dell'Intelligenza Artificiale: algoritmi di ricerca, machine learning, ragionamento probabilistico e rappresentazione della conoscenza logica.

Autore: Antonio Colamartino (a.colamartino6@studenti.uniba.it)
Corso: Ingegneria della Conoscenza 2024-2025
Università: Università di Bari "Aldo Moro"

Struttura del Progetto

├── intelligent_travel_planner.py      # Orchestratore principale del sistema
├── test_complete_system.py           # Test di integrazione completo
├── data_collection/
│   └── transport_data.py             # Grafo delle città italiane (NetworkX)
├── search_algorithms/
│   └── pathfinder.py                 # A*, Floyd-Warshall, Dijkstra, Beam Search
├── ml_models/
│   ├── predictor_models.py           # Predizione prezzi viaggi
│   ├── preference_classifier.py      # Classificazione profili utente
│   ├── dataset_generator.py          # Generazione dataset sintetici
│   └── ml_pathfinder_integration.py  # Integrazione ML con algoritmi di ricerca
├── bayesian_network/
│   └── uncertainty_models.py         # Rete Bayesiana per gestione incertezza
├── prolog_kb/
│   ├── travel_rules.pl               # Knowledge Base Prolog
│   └── prolog_interface.py           # Interfaccia Python-SWI-Prolog
└── evaluation/
    └── comprehensive_evaluation.py   # Framework di valutazione performance

Requisiti di Sistema

Dipendenze Python

pip install -r requirements.txt

Dipendenze principali:

• numpy >= 1.24.0 (calcoli numerici)
• pandas >= 2.0.0 (manipolazione dati)
• scikit-learn >= 1.3.0 (algoritmi ML)
• networkx >= 3.0.0 (algoritmi grafi)
• joblib >= 1.3.0 (serializzazione modelli)

SWI-Prolog (Opzionale)

Il sistema include un fallback engine Python per la KB Prolog, ma per performance ottimali:

• Windows: Scaricare da https://www.swi-prolog.org/download/stable
• Linux: sudo apt-get install swi-prolog
• macOS: brew install swi-prolog

Il sistema funziona anche senza SWI-Prolog usando il motore di inferenza Python integrato.

Esecuzione

Demo Interattivo

python intelligent_travel_planner.py --demo

Esegue 3 scenari predefiniti (business, budget, leisure) mostrando il funzionamento completo del sistema.

Pianificazione Personalizzata

# Pianificazione base
python intelligent_travel_planner.py --plan milano roma --budget 200

# Con profilo utente specifico
python intelligent_travel_planner.py --plan venezia napoli --profile business --budget 300 --season winter

# Con condizioni meteo
python intelligent_travel_planner.py --plan torino palermo --profile budget --budget 150 --weather Bad

Parametri disponibili:

• --plan ORIGINE DESTINAZIONE: Città di partenza e arrivo
• --budget IMPORTO: Budget massimo in euro (default: 500)
• --profile TIPO: business, leisure, o budget
• --season STAGIONE: summer, winter, spring, autumn (default: summer)
• --weather CONDIZIONI: Good, Fair, Bad (default: Fair)

Valutazione Performance

python intelligent_travel_planner.py --evaluate

Esegue benchmark completo con K-fold cross-validation e salva risultati dettagliati.

Performance Ottenute

• Price Predictor: R² = 0.823 (Gradient Boosting)
• User Classifier: Accuracy = 91.9% (Random Forest), 88.7% (Logistic Regression)
• Time Estimator: R² = 0.888 ± 0.115
• System Response: < 1 secondo per pianificazione singola

Test Sistema Completo

python test_complete_system.py

Verifica il corretto funzionamento di tutti i moduli integrati.

Modalità Silenziosa

python intelligent_travel_planner.py --plan milano roma --quiet

Riduce l'output per utilizzi automatizzati.

Senza Training

python intelligent_travel_planner.py --plan milano roma --no-training

Usa modelli pre-trainati (se disponibili) invece di ri-addestrare.

Città Supportate

Il sistema supporta 20 città italiane principali: Milano, Roma, Napoli, Torino, Bologna, Firenze, Bari, Palermo, Venezia, Genova, Verona, Catania, Cagliari, Trieste, Perugia, Pescara, Reggio Calabria, Salerno, Brescia, Pisa.

Paradigmi AI Implementati

1. Search Algorithms: A* multi-obiettivo, Floyd-Warshall, Dijkstra per ottimizzazione percorsi
2. Machine Learning: Gradient Boosting per predizione prezzi, Random Forest per classificazione profili utente
3. Probabilistic Reasoning: Rete Bayesiana con 6 nodi per gestione incertezza meteo e trasporti
4. Logic Programming: Knowledge Base Prolog avanzata con inferenza complessa:
   • Multi-hop pathfinding con ricerca dinamica fino a 5 salti
   • Calcolo affidabilità considerando eventi e condizioni meteorologiche
   • Meta-ragionamento con spiegazioni automatiche delle decisioni
   • Constraint satisfaction con propagazione vincoli
   • Ottimizzazione multi-obiettivo con ranking dinamico
   • Pianificazione temporale con disponibilità oraria trasporti

Output del Sistema

Il sistema fornisce:

• Percorso raccomandato con costo, tempo e distanza totali (es. Milano → Bologna → Firenze → Roma, 79.42€, 6.5h)
• Analisi del profilo utente con classificazione automatica (business/leisure/budget) e confidence score
• Validazione vincoli tramite KB Prolog avanzata con inferenza multi-livello
• Analisi incertezza Bayesiana (Train: Success=89%, Bus: Success=90%, Flight: Success=83%)
• Spiegazioni interpretabili del processo decisionale con meta-ragionamento
• Performance metriche: Price Predictor R²=0.823, User Classifier Accuracy=91.9%, Time Estimator R²=0.888