# 系统架构设计

## 1. 总体架构

系统采用前后端分离架构：

- 前端：Vue 3 + Vue Router + Element Plus + ECharts
- 后端：Flask + Pandas + Scikit-learn + Joblib
- 数据层：CSV 数据文件 + 模型文件

整体架构分为四层：

1. 表现层：负责页面展示、表单交互和图表可视化
2. 接口层：负责 HTTP 路由转发与请求响应
3. 业务层：负责数据统计、特征分析、预测和聚类逻辑
4. 数据与模型层：负责原始数据、清洗数据、模型文件和训练元数据

## 2. 前端架构设计

### 2.1 模块划分

- `Dashboard.vue`：数据概览页
- `FactorAnalysis.vue`：影响因素分析页
- `Prediction.vue`：缺勤预测页
- `Clustering.vue`：员工画像页

### 2.2 核心职责

- 页面布局与导航
- 图表渲染
- 表单输入与结果展示
- 接口调用与状态管理

## 3. 后端架构设计

### 3.1 路由层

- `overview_routes.py`
- `analysis_routes.py`
- `predict_routes.py`
- `cluster_routes.py`

### 3.2 服务层

- `data_service.py`：负责概览统计
- `analysis_service.py`：负责特征重要性与群体对比
- `predict_service.py`：负责模型加载与预测输出
- `cluster_service.py`：负责聚类结果组织

### 3.3 核心算法层

- `generate_dataset.py`：生成企业缺勤事件数据集
- `preprocessing.py`：数据清洗与预处理
- `model_features.py`：特征构建与预测输入映射
- `train_model.py`：模型训练与评估
- `feature_mining.py`：相关性分析与群体对比
- `clustering.py`：K-Means 聚类分析

## 4. 数据流设计

### 4.1 训练流程

1. 生成企业缺勤事件数据集
2. 加载并清洗数据
3. 构建衍生特征
4. 进行标签编码和特征筛选
5. 训练多种模型并评估性能
6. 保存模型、特征信息和训练元数据

### 4.2 预测流程

1. 前端输入核心预测字段
2. 后端构建完整预测样本
3. 自动补齐默认字段
4. 执行特征工程和编码
5. 加载模型进行预测
6. 返回缺勤时长、风险等级、模型名称和置信度

### 4.3 分析流程

1. 读取清洗后的数据
2. 计算统计指标或相关关系
3. 组织成前端图表所需结构
4. 返回 JSON 数据供前端展示

## 5. 文件组织结构

```text
backend/
  api/
  core/
  data/
  models/
  services/
  app.py

frontend/
  src/
    api/
    router/
    styles/
    views/
    App.vue
    main.js
```

## 6. 技术选型说明

### 6.1 Flask

- 轻量，适合本科毕设项目
- 路由层清晰，便于拆分接口

### 6.2 Vue 3

- 组件化开发效率较高
- 与 Element Plus、ECharts 配合较好

### 6.3 Scikit-learn

- 适合传统机器学习建模
- 提供随机森林、GBDT、Extra Trees 等成熟算法

## 7. 部署方式

- 本地前端开发服务器：Vite
- 本地后端服务：Flask 开发服务器
- 模型文件与数据文件均存储在本地项目目录中

## 8. 架构特点

- 结构清晰，便于答辩说明
- 前后端职责明确
- 支持快速展示图表与预测效果
- 支持后续扩展为数据库或更复杂模型架构