中国企业员工缺勤分析与预测系统

项目简介

本项目面向企业人力资源管理与运营分析场景，围绕员工缺勤事件构建了一个集数据分析、风险预测、群体画像与可视化展示于一体的毕业设计系统。系统支持缺勤趋势分析、影响因素挖掘、单次缺勤时长预测、多模型对比以及员工群体聚类展示。

后端采用 Flask + scikit-learn + PyTorch，前端采用 Vue 3 + Element Plus + ECharts。当前版本同时支持传统机器学习模型和 LSTM+MLP 深度学习模型。

功能模块

1. 数据概览

• 基础统计指标展示
• 月度缺勤趋势分析
• 星期分布分析
• 请假类型与原因分布分析
• 季节分布分析

2. 影响因素分析

• 特征重要性排序
• 相关性热力图
• 多维群体对比分析

3. 缺勤预测

• 单次缺勤时长预测
• 风险等级评估
• 多模型结果对比
• 传统模型与深度学习模型切换

4. 员工画像

• 聚类结果展示
• 群体画像分析
• 群体散点图可视化

技术栈

后端

• Python 3.11
• Flask 2.3.3
• Flask-CORS 4.0.0
• pandas 2.0.3
• numpy 1.24.3
• scikit-learn 1.3.0
• xgboost 1.7.6
• lightgbm 4.1.0
• PyTorch 2.6.0

前端

• Vue 3
• Vite
• Element Plus
• ECharts
• Axios
• Vue Router

项目结构

forsetsystem/
├── backend/
│   ├── api/                      # 接口层
│   ├── core/                     # 数据生成、特征工程、训练、聚类、深度学习
│   ├── services/                 # 业务服务层
│   ├── data/
│   │   └── raw/
│   │       └── china_enterprise_absence_events.csv
│   ├── models/                   # 模型文件与训练工件
│   ├── app.py                    # 后端入口
│   ├── config.py                 # 项目配置
│   └── requirements.txt
├── frontend/
│   ├── src/
│   │   ├── api/
│   │   ├── router/
│   │   ├── styles/
│   │   ├── views/
│   │   ├── App.vue
│   │   └── main.js
│   ├── package.json
│   └── vite.config.js
├── docs/                         # 系统文档、论文文档与安装说明
└── README.md

环境要求

项目	要求
操作系统	Windows 10 / Windows 11
Python	3.11
Conda	Anaconda 或 Miniconda
Node.js	16+
pnpm	8+
CUDA	建议与 PyTorch cu124 轮子匹配

安装部署

推荐使用 conda 虚拟环境，并优先安装官方 GPU 版 PyTorch。

1. 创建并激活 conda 环境

conda create -n forsetenv python=3.11 -y
conda activate forsetenv

2. 安装 PyTorch GPU 版

pip install torch==2.6.0 torchvision==0.21.0 torchaudio==2.6.0 --index-url https://download.pytorch.org/whl/cu124

3. 安装其余后端依赖

pip install Flask==2.3.3 Flask-CORS==4.0.0 python-dotenv==1.0.0
pip install pandas==2.0.3 numpy==1.24.3 scikit-learn==1.3.0 joblib==1.3.1
pip install xgboost==1.7.6 lightgbm==4.1.0

如需直接使用依赖文件，可在安装 GPU 版 PyTorch 后执行：

pip install -r backend/requirements.txt

4. 安装前端依赖

cd frontend
pnpm install

启动方式

1. 生成数据集

cd backend
python core/generate_dataset.py

2. 训练模型

python core/train_model.py

3. 启动后端

python app.py

后端默认地址：

http://127.0.0.1:5000

4. 启动前端

cd ..\frontend
pnpm dev

前端默认地址：

http://127.0.0.1:5173

模型说明

当前系统支持以下模型类型：

• random_forest
• gradient_boosting
• extra_trees
• xgboost
• lightgbm
• lstm_mlp

其中：

• 传统模型适合结构化特征解释与特征重要性分析
• LSTM+MLP 适合结合事件序列与静态特征进行预测

数据与训练文件

常用路径如下：

• 数据集文件：china_enterprise_absence_events.csv
• 配置文件：config.py
• 数据生成脚本：generate_dataset.py
• 模型训练脚本：train_model.py
• 深度学习脚本：deep_learning_model.py

接口概览

数据概览

• GET /api/overview/stats
• GET /api/overview/trend
• GET /api/overview/weekday
• GET /api/overview/reasons
• GET /api/overview/seasons

影响因素分析

• GET /api/analysis/importance
• GET /api/analysis/correlation
• GET /api/analysis/compare

缺勤预测

• GET /api/predict/models
• GET /api/predict/model-info
• POST /api/predict/single
• POST /api/predict/compare

员工画像

• GET /api/cluster/result
• GET /api/cluster/profile
• GET /api/cluster/scatter

文档目录

详细设计文档见：

• docs/README.md
• 09_环境配置与安装说明.md

常见问题

1. flask_cors 缺失

执行：

pip install Flask-CORS

2. xgboost 或 lightgbm 缺失

执行：

pip install xgboost==1.7.6 lightgbm==4.1.0

3. PyTorch 被安装成 CPU 版

请重新执行官方 GPU 安装命令：

pip install torch==2.6.0 torchvision==0.21.0 torchaudio==2.6.0 --index-url https://download.pytorch.org/whl/cu124

4. 如何确认当前使用的是 conda 环境

conda info --envs
where python

项目信息

• 作者：张硕
• 学校：河南农业大学软件学院
• 项目类型：本科毕业设计
• 完成时间：2026 年 3 月