🌍 Plateforme Touristique Intelligente

📋 Description

Application web intelligente combinant gestion événementielle/touristique et intelligence artificielle. Développée dans le cadre du projet académique 2025-2026, cette plateforme offre une expérience utilisateur enrichie par 6 modules IA distincts.

---

👥 Équipe de Développement

Membre	Module Principal
Rima Dhrai	Hôtels + Analyse de Réputation
Rawen Labaoui	Activités + Recommandation
Balsam Romdhane	Utilisateurs + Chatbot BiLSTM
Karima Louhibi	Contenu + Classification Images
Amira Laffet	Destinations + Recommandation RF
Fadi Kaabi	Événements + Génération IA

---

🚀 Fonctionnalités Principales

🏨 Module Hôtels

• CRUD complet des hôtels, chambres et réservations
• IA : Analyse de réputation (LogisticRegression - 95.7% accuracy)
• Génération automatique de descriptions via API SerpAI
• Recherche avancée multi-critères

🎯 Module Activités

• Gestion des activités touristiques
• IA : Recommandation contextuelle (LightGBM + météo en temps réel)
• Intégration API OpenWeather
• Génération d'itinéraires personnalisés via API Groq

👤 Module Utilisateurs

• Authentification sécurisée
• IA : Chatbot voyageur (BiLSTM - 94% accuracy)
• IA : Reconnaissance faciale (DeepFace/ArcFace - 97% taux de reconnaissance)
• Classification d'intentions multi-domaines

🖼️ Module Contenu et Multimédia

• Gestion centralisée du contenu
• IA : Classification multi-labels d'images (CNN - 89% accuracy)
• Intégration API Clarifai pour reconnaissance avancée
• Support de 6 catégories de paysages

🗺️ Module Destinations

• CRUD des destinations touristiques
• IA : Recommandation intelligente (Random Forest - 82.86% accuracy)
• Enrichissement automatique via API Unsplash + Hugging Face
• Vectorisation TF-IDF (805 features)

🎭 Module Événements

• Gestion des événements culturels
• IA : Génération d'images (Qwen-Image via Hugging Face)
• IA : Prédiction de popularité (Random Forest - R²=0.748)
• Système de badges de tendance

---

🛠️ Stack Technique

Backend & Base de Données

• Framework : Django 4.x
• Base de données : MySQL
• Langage : Python 3.8+

Intelligence Artificielle

• Deep Learning : TensorFlow, Keras
• ML Classique : Scikit-learn, LightGBM
• NLP : Sentence Transformers, TF-IDF
• Computer Vision : OpenCV, DeepFace
• APIs IA : Hugging Face, Clarifai, Groq, SerpAI

DevOps & Tests

• CI/CD : Jenkins
• Tests : Selenium
• Qualité : SonarQube
• Versioning : Git
• Entraînement : Google Colab

---

📦 Installation

Prérequis

Python 3.8+
MySQL 8.0+
pip
virtualenv (recommandé)

Étapes d'Installation

1. Cloner le repository

git clone https://github.com/votre-repo/plateforme-touristique.git
cd plateforme-touristique

2. Créer un environnement virtuel

python -m venv venv
source venv/bin/activate  # Linux/Mac
venv\Scripts\activate     # Windows

3. Installer les dépendances

pip install -r requirements.txt

4. Configurer la base de données

# Créer la base MySQL
mysql -u root -p
CREATE DATABASE plateforme_touristique CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;
EXIT;

# Appliquer les migrations
python manage.py makemigrations
python manage.py migrate

5. Configurer les variables d'environnement

cp .env.example .env
# Éditer .env avec vos clés API

6. Charger les modèles IA

# Placer les modèles dans le dossier models/
# - sentiment_model.pkl (Analyse réputation)
# - lightgbm_model.pkl (Recommandation activités)
# - bilstm_chatbot.h5 (Chatbot)
# - cnn_classifier.h5 (Classification images)
# - rf_destinations.pkl (Recommandation destinations)
# - rf_events.pkl (Prédiction événements)

7. Lancer le serveur

python manage.py runserver
# Accéder à : http://localhost:8000

---

🔑 Configuration des APIs

Créer un fichier .env avec les clés suivantes :

# Base de données
DB_NAME=plateforme_touristique
DB_USER=votre_user
DB_PASSWORD=votre_password
DB_HOST=localhost
DB_PORT=3306

# APIs IA
HUGGINGFACE_API_KEY=your_hf_key
CLARIFAI_API_KEY=your_clarifai_key
GROQ_API_KEY=your_groq_key
SERPAI_API_KEY=your_serpai_key
OPENWEATHER_API_KEY=your_weather_key

# Django
SECRET_KEY=your_secret_key
DEBUG=True

---

📊 Performances des Modèles IA

Module	Modèle	Métrique	Score
Réputation Hôtels	LogisticRegression	Accuracy	95.7%
Chatbot	BiLSTM	Accuracy	94.0%
Reconnaissance Faciale	DeepFace/ArcFace	Taux reconnaissance	97.0%
Classification Images	CNN	Accuracy	89.0%
Recommandation Activités	LightGBM	Contextuel	-
Recommandation Destinations	Random Forest	Accuracy	82.86%
Prédiction Événements	Random Forest	R²	0.748

---

📁 Structure du Projet

plateforme-touristique/
├── apps/
│   ├── hotels/              # Module Hôtels
│   ├── activities/          # Module Activités
│   ├── users/               # Module Utilisateurs
│   ├── content/             # Module Contenu
│   ├── destinations/        # Module Destinations
│   └── events/              # Module Événements
├── models/                  # Modèles IA entraînés (.pkl, .h5)
├── static/                  # Fichiers statiques (CSS, JS, images)
├── templates/               # Templates Django
├── media/                   # Uploads utilisateurs
├── config/                  # Configuration Django
├── requirements.txt         # Dépendances Python
├── manage.py               # Script Django
└── README.md               # Ce fichier

---

🧪 Tests

Lancer les tests unitaires

python manage.py test

Tests Selenium (E2E)

python manage.py test tests.selenium_tests

Analyse de qualité (SonarQube)

sonar-scanner

---

📖 Documentation

• Rapport technique complet : docs/rapport_technique.pdf
• Documentation API : docs/api_documentation.md
• Guide utilisateur : docs/guide_utilisateur.pdf

---

🤝 Contribution

Ce projet est académique. Pour toute suggestion :

1. Fork le projet
2. Créer une branche (git checkout -b feature/amelioration)
3. Commit (git commit -m 'Ajout fonctionnalité')
4. Push (git push origin feature/amelioration)
5. Ouvrir une Pull Request

---

📄 License

Projet académique - ESPRIT 2025-2026