forsetsystem/docs/01_系统架构设计.md

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 + PyTorch + 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
• deep_learning_model.py：LSTM+MLP 深度学习训练与推理
• 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

其中深度学习路径采用：

• LSTM 处理员工最近多次缺勤事件构成的时间窗口序列
• MLP 处理员工静态属性特征
• 融合层输出缺勤时长回归结果

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

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

6.4 PyTorch

• 用于实现 LSTM+MLP 深度学习模型
• 支持将时序特征与静态特征进行融合建模
• 便于在论文中增加深度学习对比实验内容

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
• 同时支持传统机器学习模型与深度学习模型的实验对比