shenjianZ
e63267cef6
- 新增中国企业员工缺勤模拟数据集生成脚本(generate_dataset.py)，覆盖7个行业、180家企业、2600名员工 - 重构 config.py，更新特征字段为中文名称，调整目标列、员工ID、行业类型等配置 - 重构 clustering.py，简化聚类逻辑，更新聚类特征和群体命名（高压通勤型、健康波动型等） - 重构 feature_mining.py，更新相关性分析和群体比较维度（按行业、班次、婚姻状态等） - 新增 model_features.py 定义模型训练特征 - 更新 preprocessing.py 和 train_model.py 适配新数据结构 - 更新各 API 路由默认参数（model: random_forest, dimension: industry） - 前端更新主题样式和各视图组件适配中文字段 - 更新系统名称为 China Enterprise Absence Analysis System
3.0 KiB
3.0 KiB
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：
- 表现层：负责页面展示、表单交互和图表可视化
- 接口层：负责 HTTP 路由转发与请求响应
- 业务层：负责数据统计、特征分析、预测和聚类逻辑
- 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.pyanalysis_routes.pypredict_routes.pycluster_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
- 生成企业缺勤事件数据集
- 加载并清洗数据
- 构建衍生特征
- 进行标签编码和特征筛选
- 训练多种模型并评估性能
- 保存模型、特征信息和训练元数据
4.2 预测流程
- 前端输入核心预测字段
- 后端构建完整预测样本
- 自动补齐默认字段
- 执行特征工程和编码
- 加载模型进行预测
- 返回缺勤时长、风险等级、模型名称和置信度
4.3 分析流程
- 读取清洗后的数据
- 计算统计指标或相关关系
- 组织成前端图表所需结构
- 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
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