高效搭建家政平台：家政源码APP+小程序，支持定制化功能拓展

// 服务人员匹配度计算核心算法
public class StaffMatchingEngine {
    // 权重配置：距离占30%，技能匹配占40%，评分占30%
    private static final double DISTANCE_WEIGHT = 0.3;
    private static final double SKILL_WEIGHT = 0.4;
    private static final double RATING_WEIGHT = 0.3;

    // 计算服务人员匹配得分
    public double calculateMatchScore(Staff staff, Order order) {
        double distanceScore = calculateDistanceScore(staff.getLocation(), order.getLocation());
        double skillScore = calculateSkillScore(staff.getSkills(), order.getServiceType());
        double ratingScore = staff.getAverageRating() / 5.0; // 归一化到0-1区间

        return DISTANCE_WEIGHT * distanceScore 
               + SKILL_WEIGHT * skillScore 
               + RATING_WEIGHT * ratingScore;
    }

    // 距离得分计算（基于高德地图API返回的直线距离）
    private double calculateDistanceScore(Location staffLoc, Location orderLoc) {
        double distance = calculateHaversineDistance(staffLoc, orderLoc);
        // 距离越近得分越高，5公里内满分，超过10公里得0分
        return Math.max(0, (5000 - distance) / 5000);
    }

    // 技能匹配度计算（完全匹配得1分，部分匹配得0.5分）
    private double calculateSkillScore(List<String> staffSkills, String orderServiceType) {
        return staffSkills.contains(orderServiceType) ? 1.0 : 0.5;
    }

    // 哈弗赛因距离计算（单位：米）
    private double calculateHaversineDistance(Location loc1, Location loc2) {
        // 实际项目中应调用高德/腾讯地图API获取真实道路距离
        return Math.sqrt(Math.pow(loc1.getLng()-loc2.getLng(),2) 
                         + Math.pow(loc1.getLat()-loc2.getLat(),2)) * 111321;
    }
}

# 订单热力图生成（使用folium+geopandas）
import folium
import geopandas as gpd
from folium.plugins import HeatMap

def generate_order_heatmap(orders):
    # 创建北京五环内底图
    m = folium.Map(location=[39.9042, 116.4074], 
                  zoom_start=12,
                  tiles='https://{s}.tile.openstreetmap.org/{z}/{x}/{y}.png',
                  attr='OpenStreetMap')
    
    # 提取订单坐标并转换为GeoDataFrame
    geometry = [Point(xy) for xy in zip(orders.lng, orders.lat)]
    gdf = gpd.GeoDataFrame(orders, geometry=geometry, crs="EPSG:4326")
    
    # 生成热力图数据（权重由订单金额决定）
    heat_data = [[row.geometry.y, row.geometry.x, row.amount] 
                for _, row in gdf.iterrows()]
    
    # 添加热力图层
    HeatMap(heat_data, 
            radius=15, 
            blur=15,
            max_zoom=1).add_to(m)
    
    # 保存为HTML文件
    m.save('./heatmap.html')
    return m

# 服务评分趋势图（使用matplotlib）
import matplotlib.pyplot as plt
import pandas as pd

def plot_rating_trend(ratings):
    # 数据准备
    df = pd.DataFrame({
        'date': pd.to_datetime(ratings.date),
        'rating': ratings.score
    })
    
    # 按周聚合数据
    weekly = df.groupby(pd.Grouper(key='date', freq='W')).mean()
    
    # 绘制趋势图
    plt.figure(figsize=(12,6))
    plt.plot(weekly.index, weekly.rating, marker='o', linestyle='-', color='#4C72B0')
    plt.title('服务评分周趋势', fontsize=14)
    plt.xlabel('日期', fontsize=12)
    plt.ylabel('平均评分（5分制）', fontsize=12)
    plt.grid(True, linestyle='--', alpha=0.7)
    plt.savefig('./rating_trend.png', dpi=300, bbox_inches='tight')

// 订单创建时自动分配服务人员
public Order assignStaff(Order newOrder) {
    List<Staff> availableStaff = staffRepository.findAvailableInArea(newOrder.getLocation(), 5000);
    
    // 计算每个服务人员的匹配得分
    Map<Staff, Double> staffScores = availableStaff.stream()
        .collect(Collectors.toMap(
            Function.identity(),
            staff -> matchingEngine.calculateMatchScore(staff, newOrder)
        ));
    
    // 选择得分最高的服务人员
    Staff bestStaff = Collections.max(staffScores.entrySet(), 
                                     Map.Entry.comparingByValue())
                                     .getKey();
    
    newOrder.setStaff(bestStaff);
    return orderRepository.save(newOrder);
}

// Spring Boot数据接口
@RestController
@RequestMapping("/api/dashboard")
public class DashboardController {
    @Autowired
    private OrderRepository orderRepo;
    
    @GetMapping("/heatmap")
    public List<Order> getHeatmapData() {
        // 返回最近7天的订单数据用于热力图
        return orderRepo.findByDateAfter(LocalDateTime.now().minusDays(7));
    }
    
    @GetMapping("/ratings")
    public List<Rating> getRatingTrend() {
        // 返回最近30天的评分数据
        return ratingRepo.findByDateAfter(LocalDateTime.now().minusDays(30));
    }
}