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概览、影响因素分析、JD-R 理论解释、风险预测、群体画像与可解释分析于一体的毕业设计系统。系统既关注“缺勤发生了什么”，也关注“为什么会缺勤”以及“如何进行干预”。

后端采用 Flask + scikit-learn + PyTorch，前端采用 Vue 3 + Element Plus + ECharts。当前实现同时包含传统机器学习模型、基于时序注意力融合的深度学习模型，以及 SHAP 全局/局部解释能力。

理论支撑

系统以 JD-R（Job Demands-Resources，工作要求-资源）模型作为解释员工缺勤的重要理论基础，并在代码中完成了落地：

• 工作要求维度：工作自主性、情绪劳动强度、时间压力感知、角色模糊度、工作家庭冲突
• 工作资源维度：上级支持、同事支持、技能多样性、职业发展机会、参与决策、组织公平感
• 个人资源维度：自我效能感、心理韧性、乐观程度
• 中介变量：工作倦怠、工作投入
• 复合指标：工作要求指数、工作资源指数、个人资源指数、JD-R 平衡度、倦怠风险指数、工作投入指数

这意味着系统不仅做统计和预测，还能从“高要求导致倦怠”“资源促进投入”的心理学视角解释缺勤风险。

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. JD-R 理论分析

• 工作要求、工作资源、个人资源三维度分析
• 工作倦怠与工作投入分布分析
• 健康损伤路径与激励路径分析
• 分组画像与风险分布分析

4. 缺勤预测与解释

• 单次缺勤时长预测
• 风险等级评估
• 多模型结果对比
• SHAP 局部解释与维度贡献展示

5. 员工画像

• K-Means 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、可解释分析
│   ├── services/                 # 业务服务层
│   ├── data/
│   │   └── raw/
│   │       └── china_enterprise_absence_events.csv
│   ├── models/                   # 模型文件与训练工件
│   ├── outputs/                  # 评估图与结果导出
│   ├── 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
npm run dev

前端默认地址：

http://127.0.0.1:5173

模型说明

当前训练产物中启用的模型包括：

• random_forest
• gradient_boosting
• extra_trees
• xgboost
• lstm_mlp

其中：

• 传统树模型适合结构化特征建模、特征重要性排序和 SHAP 解释
• lstm_mlp 是接口名称，当前内部实现为“时序注意力融合网络”，采用 Transformer 时序编码 + 静态特征门控融合
• 深度学习模型使用 8 步时间窗口，结合 15 个序列特征和 13 个静态特征完成预测

数据与训练信息

• 原始数据集规模：12000 条缺勤事件
• 员工覆盖数：2575
• 企业覆盖数：180
• 数据字段总数：73
• 传统模型特征工程后总特征数：89
• 当前筛选后进入传统模型的核心特征数：22
• 当前训练元数据日期：2026-04-03

常用路径

• 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
• 特征工程脚本：model_features.py
• 深度学习脚本：deep_learning_model.py
• JD-R 服务：jdr_service.py
• SHAP 分析器：shap_analysis.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
• POST /api/predict/risk-classify

员工画像

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

JD-R 理论分析

• GET /api/jdr/dimensions
• GET /api/jdr/burnout-engagement
• GET /api/jdr/path-analysis
• GET /api/jdr/profile
• GET /api/jdr/risk-distribution

SHAP 可解释分析

• GET /api/shap/global
• POST /api/shap/local
• GET /api/shap/interaction
• GET /api/shap/dependence

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 4 月