162 lines
4.4 KiB
Markdown
162 lines
4.4 KiB
Markdown
# 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 + 训练元数据
|
||
|
||
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、`JD-R` 解释、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
|
||
- `JDRAnalysis.vue`：`JD-R` 理论分析页
|
||
- `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
|
||
- 将 `JD-R` 理论指标、路径关系与 `SHAP` 结果可视化
|
||
|
||
## 3. 后端架构设计
|
||
|
||
### 3.1 路由层
|
||
|
||
- `overview_routes.py`
|
||
- `analysis_routes.py`
|
||
- `predict_routes.py`
|
||
- `cluster_routes.py`
|
||
- `jdr_routes.py`
|
||
- `shap_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、预测输出与风险分类
|
||
- `cluster_service.py`：负责聚类结果组织
|
||
- `jdr_service.py`：负责 `JD-R` 理论指标、路径和画像分析
|
||
- `shap_service.py`：负责全局/局部可解释分析结果封装
|
||
|
||
### 3.3 核心算法层
|
||
|
||
- `generate_dataset.py`：生成中国企业缺勤事件数据集并补充 `JD-R` 基础维度
|
||
- `preprocessing.py`：数据清洗与预处理
|
||
- `model_features.py`：特征构建、`JD-R` 复合指标计算与预测输入映射
|
||
- `train_model.py`：传统模型训练与评估
|
||
- `deep_learning_model.py`：时序注意力融合深度学习模型训练与推理
|
||
- `feature_mining.py`：相关性分析与群体对比
|
||
- `clustering.py`：`K-Means` 聚类分析
|
||
- `shap_analysis.py`：基于 `SHAP` 的全局、局部与交互解释分析
|
||
|
||
## 4. 数据流设计
|
||
|
||
### 4.1 训练流程
|
||
|
||
1. 生成中国企业缺勤事件数据集
|
||
2. 加载并清洗数据
|
||
3. 补充 `JD-R` 理论基础维度
|
||
4. 构建衍生特征与 `JD-R` 复合指标
|
||
5. 进行编码、特征筛选与模型训练
|
||
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：
|
||
|
||
- `8` 步时间窗口组织员工缺勤事件序列
|
||
- 时序分支编码 `15` 个事件/上下文特征
|
||
- 静态分支编码 `13` 个员工稳定属性特征
|
||
- `Transformer` 编码 + 门控融合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、`JD-R` 指标构建和编码
|
||
5. 加载模型进行预测
|
||
6. 返回缺勤时长、风险等级、风险概率、模型名称和置信度
|
||
7. 调用 `SHAP` 生成局部解释结果
|
||
|
||
### 4.3 分析流程
|
||
|
||
1. 读取清洗后的数据
|
||
2. 计算统计指标、相关关系与群体差异
|
||
3. 按 `JD-R` 理论聚合工作要求、工作资源、个人资源、倦怠与投入
|
||
4. 组织成前端图表所需结构
|
||
5. 返回 JSON 数据供前端展示
|
||
|
||
## 5. 文件组织结构
|
||
|
||
```text
|
||
backend/
|
||
api/
|
||
core/
|
||
data/
|
||
models/
|
||
outputs/
|
||
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
|
||
- 便于输出特征重要性并配合 `SHAP` 解释
|
||
|
||
### 6.4 PyTorch
|
||
|
||
- 用于实现深度学习时序建模
|
||
- 支持 `Transformer` 编码与静态特征门控融合
|
||
- 便于在论文中增加时序预测对比实验内容
|
||
|
||
## 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
|
||
- 同时支持统计、预测、聚类和理论解释
|
||
- 支持 `SHAP` 全局与局部可解释分析
|
||
- 构成“数据生成 - 特征工程 - 理论解释 - 预测决策”的闭环
|