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 + 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

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