diff --git a/UI/src/views/training/GlobalTrainingView.vue b/UI/src/views/training/GlobalTrainingView.vue
index fd398f4..ed255bb 100644
--- a/UI/src/views/training/GlobalTrainingView.vue
+++ b/UI/src/views/training/GlobalTrainingView.vue
@@ -609,15 +609,17 @@ const startTraining = async () => {
epochs: form.epochs,
training_mode: 'global', // 标识这是全局训练模式
training_scope: form.training_scope,
- aggregation_method: form.aggregation_method
+ aggregation_method: form.aggregation_method,
+ store_ids: form.store_ids || [], // 确保始终发送数组
+ product_ids: form.product_ids || [] // 确保始终发送数组
};
- if (form.store_ids.length > 0) {
- payload.store_ids = form.store_ids;
+ // 关键修复：即使是列表，也传递第一个作为代表ID
+ if (payload.store_ids.length > 0) {
+ payload.store_id = payload.store_ids[0];
}
-
- if (form.product_ids.length > 0) {
- payload.product_ids = form.product_ids;
+ if (payload.product_ids.length > 0) {
+ payload.product_id = payload.product_ids[0];
}
if (form.training_type === "retrain") {
diff --git a/UI/src/views/training/StoreTrainingView.vue b/UI/src/views/training/StoreTrainingView.vue
index 29558a6..7791151 100644
--- a/UI/src/views/training/StoreTrainingView.vue
+++ b/UI/src/views/training/StoreTrainingView.vue
@@ -228,7 +228,11 @@
prop="version"
label="版本"
width="80"
- />
+ >
+
+ {{ row.version || 'N/A' }}
+
+
@@ -652,9 +656,17 @@ const getModelTypeName = (modelType) => {
};
const getProductScopeText = (task) => {
- if (task.product_scope === 'all' || !task.product_ids) {
+ // 优先使用后端返回的 product_scope 字段
+ if (task.product_scope && task.product_scope.startsWith('指定药品')) {
+ return task.product_scope;
+ }
+ // 后备逻辑
+ if (task.product_scope === 'all' || !task.product_ids || task.product_ids.length === 0) {
return '所有药品';
}
+ if (task.product_ids.length === 1 && task.product_ids[0] !== 'all') {
+ return `指定药品 (${task.product_ids[0]})`;
+ }
return `${task.product_ids.length} 种药品`;
};
diff --git a/server/api.py b/server/api.py
index 597f674..a1dc3b0 100644
--- a/server/api.py
+++ b/server/api.py
@@ -916,6 +916,14 @@ def get_all_training_tasks():
for task_id, task_info in all_tasks.items():
task_copy = task_info.copy()
task_copy['task_id'] = task_id
+
+ # 添加药品范围描述
+ product_id = task_copy.get('product_id')
+ if product_id and product_id not in ['all', 'unknown']:
+ task_copy['product_scope'] = f"指定药品 ({product_id})"
+ else:
+ task_copy['product_scope'] = "所有药品"
+
tasks_with_id.append(task_copy)
# 按开始时间降序排序，最新的任务在前面
@@ -968,348 +976,76 @@ def get_all_training_tasks():
})
def start_training():
"""
- 启动模型训练
- ---
- post:
- ...
+ 启动模型训练 - 已重构
"""
+ def _prepare_training_args(data):
+ """从请求数据中提取并验证训练参数"""
+ training_scope = data.get('training_scope', 'all_stores_all_products')
+ model_type = data.get('model_type')
+ epochs = data.get('epochs', 50)
+ aggregation_method = data.get('aggregation_method', 'sum')
+
+ if not model_type:
+ return None, jsonify({'error': '缺少model_type参数'}), 400
+
+ valid_model_types = ['mlstm', 'kan', 'optimized_kan', 'transformer', 'tcn']
+ if model_type not in valid_model_types:
+ return None, jsonify({'error': '无效的模型类型'}), 400
+
+ # 直接从请求中获取，不设置默认值，以便进行更严格的校验
+ product_ids = data.get('product_ids')
+ store_ids = data.get('store_ids')
+
+ args = {
+ 'model_type': model_type,
+ 'epochs': epochs,
+ 'training_scope': training_scope,
+ 'aggregation_method': aggregation_method,
+ 'product_id': data.get('product_id'),
+ 'store_id': data.get('store_id'),
+ 'product_ids': product_ids or [], # 确保后续代码不会因None而出错
+ 'store_ids': store_ids or [],
+ 'product_scope': data.get('product_scope', 'all'),
+ 'training_mode': data.get('training_mode', 'product')
+ }
+
+ # 根据新的 scope 规则进行严格校验
+ if training_scope == 'selected_stores' and not store_ids:
+ return None, jsonify({'error': "当 training_scope 为 'selected_stores' 时, 必须提供 store_ids 列表。"}), 400
+ if training_scope == 'selected_products' and not product_ids:
+ return None, jsonify({'error': "当 training_scope 为 'selected_products' 时, 必须提供 product_ids 列表。"}), 400
+ if training_scope == 'custom' and (not store_ids or not product_ids):
+ return None, jsonify({'error': "当 training_scope 为 'custom' 时, 必须同时提供 store_ids 和 product_ids 列表。"}), 400
+
+ return args, None, None
+
data = request.get_json()
-
- # 新增训练模式参数
- training_mode = data.get('training_mode', 'product') # 'product', 'store', 'global'
-
- # 通用参数
- model_type = data.get('model_type')
- epochs = data.get('epochs', 50)
-
- # 根据训练模式获取不同的参数
- product_id = data.get('product_id')
- store_id = data.get('store_id')
-
- # 新增的参数
- product_ids = data.get('product_ids', [])
- store_ids = data.get('store_ids', [])
- product_scope = data.get('product_scope', 'all')
- training_scope = data.get('training_scope', 'all_stores_all_products')
- aggregation_method = data.get('aggregation_method', 'sum')
+ if not data:
+ return jsonify({'error': '无效的请求体，需要JSON格式的数据'}), 400
- if not model_type:
- return jsonify({'error': '缺少model_type参数'}), 400
+ training_args, error_response, status_code = _prepare_training_args(data)
- # 根据训练模式验证必需参数
- if training_mode == 'product' and not product_id:
- return jsonify({'error': '按药品训练模式需要product_id参数'}), 400
- elif training_mode == 'store' and not store_id:
- return jsonify({'error': '按店铺训练模式需要store_id参数'}), 400
- elif training_mode == 'global':
- # 全局模式不需要特定的product_id或store_id
- pass
+ if error_response:
+ return error_response, status_code
- # 检查模型类型是否有效
- valid_model_types = ['mlstm', 'kan', 'optimized_kan', 'transformer', 'tcn']
- if model_type not in valid_model_types:
- return jsonify({'error': '无效的模型类型'}), 400
-
- # 使用新的训练进程管理器提交任务
try:
- task_id = training_manager.submit_task(
- product_id=product_id or "unknown",
- model_type=model_type,
- training_mode=training_mode,
- store_id=store_id,
- epochs=epochs
- )
+ task_id = training_manager.submit_task(**training_args)
logger.info(f"🚀 训练任务已提交到进程管理器: {task_id[:8]}")
return jsonify({
'message': '模型训练已开始（使用独立进程）',
'task_id': task_id,
- 'training_mode': training_mode,
- 'model_type': model_type,
- 'product_id': product_id,
- 'epochs': epochs
+ 'training_scope': training_args['training_scope'],
+ 'model_type': training_args['model_type'],
+ 'epochs': training_args['epochs']
})
except Exception as e:
logger.error(f"❌ 提交训练任务失败: {str(e)}")
+ logger.error(traceback.format_exc())
return jsonify({'error': f'启动训练任务失败: {str(e)}'}), 500
-# 旧的训练逻辑已被现代化进程管理器替代
- global training_tasks
-
- # 创建线程安全的日志输出函数
- def thread_safe_print(message, prefix=""):
- """线程安全的打印函数，支持并发训练"""
- import threading
- import time
-
- thread_id = threading.current_thread().ident
- timestamp = time.strftime('%H:%M:%S')
- formatted_msg = f"[{timestamp}][线程{thread_id}][{task_id[:8]}]{prefix} {message}"
-
- # 简化输出，只使用一种方式避免重复
- try:
- print(formatted_msg, flush=True)
- sys.stdout.flush()
- except Exception as e:
- try:
- print(f"[输出错误] {message}", flush=True)
- except:
- pass
-
- # 测试输出函数
- thread_safe_print("🔥🔥🔥 训练任务线程启动", "[ENTRY]")
- thread_safe_print(f"📋 参数: product_id={product_id}, model_type={model_type}, epochs={epochs}", "[PARAMS]")
-
- try:
- thread_safe_print("=" * 60, "[START]")
- thread_safe_print("🚀 训练任务正式开始", "[START]")
- thread_safe_print(f"🧵 线程ID: {threading.current_thread().ident}", "[START]")
- thread_safe_print("=" * 60, "[START]")
- logger.info(f"🚀 训练任务开始: {task_id}")
- # 根据训练模式生成描述信息
- if training_mode == 'product':
- scope_msg = f"药品 {product_id}" + (f"(店铺 {store_id})" if store_id else "(全局数据)")
- elif training_mode == 'store':
- scope_msg = f"店铺 {store_id}"
- if kwargs.get('product_scope') == 'specific':
- scope_msg += f"({len(kwargs.get('product_ids', []))} 种药品)"
- else:
- scope_msg += "(所有药品)"
- elif training_mode == 'global':
- scope_msg = f"全局模型({kwargs.get('aggregation_method', 'sum')}聚合)"
- if kwargs.get('training_scope') != 'all_stores_all_products':
- scope_msg += f"(自定义范围)"
- else:
- scope_msg = "未知模式"
-
- thread_safe_print(f"📋 任务详情: 训练 {model_type} 模型 - {scope_msg}", "[INFO]")
- thread_safe_print(f"⚙️ 配置参数: 共 {epochs} 个轮次", "[CONFIG]")
- logger.info(f"📋 任务详情: 训练 {model_type} 模型 - {scope_msg}, 轮次: {epochs}")
-
- # 根据训练模式生成版本号和模型标识
- if training_mode == 'store':
- scope = f"{store_id}_{product_id}"
- elif training_mode == 'global':
- scope = f"{product_id}" if product_id else "all"
- else:
- scope = f"{product_id}_all"
-
- model_identifier = model_manager.get_model_identifier(model_type, training_mode, scope, aggregation_method)
- version = model_manager.get_next_version_number(model_identifier)
-
- thread_safe_print(f"🏷️ 版本信息: 版本号 {version}, 模型标识: {model_identifier}", "[VERSION]")
- logger.info(f"🏷️ 版本信息: 版本号 {version}, 模型标识: {model_identifier}")
-
- # 初始化训练进度管理器
- progress_manager.start_training(
- training_id=task_id,
- product_id=product_id,
- model_type=model_type,
- training_mode=training_mode,
- total_epochs=epochs,
- total_batches=0, # 将在实际训练器中设置
- batch_size=32, # 默认值，将在实际训练器中更新
- total_samples=0 # 将在实际训练器中设置
- )
-
- thread_safe_print("📊 进度管理器已初始化", "[PROGRESS]")
- logger.info(f"📊 进度管理器已初始化 - 任务ID: {task_id}")
-
- # 发送训练开始的WebSocket消息
- if socketio:
- socketio.emit('training_update', {
- 'task_id': task_id,
- 'status': 'starting',
- 'message': f'开始训练 {model_type} 模型版本 {version} - {scope_msg}',
- 'product_id': product_id,
- 'store_id': store_id,
- 'model_type': model_type,
- 'version': version,
- 'training_mode': training_mode,
- 'progress': 0
- }, namespace=WEBSOCKET_NAMESPACE, room=task_id)
-
- # 根据训练模式选择不同的训练逻辑
- thread_safe_print(f"🏃 开始调用训练器 - 模式: {training_mode}, 模型: {model_type}", "[TRAINER]")
- logger.info(f"🏃 开始调用训练器 - 模式: {training_mode}, 模型: {model_type}")
-
- if training_mode == 'product':
- # 按药品训练 - 使用现有逻辑
- if model_type == 'optimized_kan':
- thread_safe_print("🧠 调用优化KAN训练器", "[KAN]")
- logger.info(f"🧠 调用优化KAN训练器 - 产品: {product_id}")
- metrics = predictor.train_model(
- product_id=product_id,
- model_type='optimized_kan',
- store_id=store_id,
- training_mode='product',
- epochs=epochs,
- socketio=socketio,
- task_id=task_id,
- version=version
- )
- else:
- thread_safe_print(f"🤖 调用 {model_type.upper()} 训练器 - 产品: {product_id}", "[CALL]")
- logger.info(f"🤖 调用 {model_type.upper()} 训练器 - 产品: {product_id}")
-
- metrics = predictor.train_model(
- product_id=product_id,
- model_type=model_type,
- store_id=store_id,
- training_mode='product',
- epochs=epochs,
- socketio=socketio,
- task_id=task_id,
- version=version
- )
-
- thread_safe_print(f"✅ 训练器返回结果: {type(metrics)}", "[RESULT]")
- logger.info(f"✅ 训练器返回结果: {type(metrics)}")
- elif training_mode == 'store':
- # 按店铺训练 - 需要新的训练逻辑
- metrics = train_store_model(
- store_id=store_id,
- model_type=model_type,
- epochs=epochs,
- product_scope=kwargs.get('product_scope', 'all'),
- product_ids=kwargs.get('product_ids', [])
- )
- elif training_mode == 'global':
- # 全局训练 - 需要新的训练逻辑
- metrics = train_global_model(
- model_type=model_type,
- epochs=epochs,
- training_scope=kwargs.get('training_scope', 'all_stores_all_products'),
- aggregation_method=kwargs.get('aggregation_method', 'sum'),
- store_ids=kwargs.get('store_ids', []),
- product_ids=kwargs.get('product_ids', [])
- )
-
- thread_safe_print(f"📈 训练完成! 结果类型: {type(metrics)}", "[COMPLETE]")
- if metrics:
- thread_safe_print(f"📊 训练指标: {metrics}", "[METRICS]")
- else:
- thread_safe_print("⚠️ 训练指标为空", "[WARNING]")
- logger.info(f"📈 训练完成 - 结果类型: {type(metrics)}, 内容: {metrics}")
-
- # 更新模型路径使用版本管理
- model_path = model_manager.get_model_version_path(model_type, training_mode, scope, version, aggregation_method)
- thread_safe_print(f"💾 模型保存路径: {model_path}", "[SAVE]")
- logger.info(f"💾 模型保存路径: {model_path}")
-
- # 更新任务状态
- training_tasks[task_id]['status'] = 'completed'
- training_tasks[task_id]['metrics'] = metrics
- training_tasks[task_id]['model_path'] = model_path
- training_tasks[task_id]['version'] = version
-
- print(f"✔️ 任务状态更新: 已完成, 版本: {version}", flush=True)
- logger.info(f"✔️ 任务状态更新: 已完成, 版本: {version}, 任务ID: {task_id}")
-
- # 保存模型版本信息到数据库
- try:
- conn = get_db_connection()
- cursor = conn.cursor()
- cursor.execute('''
- INSERT INTO model_versions (product_id, model_type, version, file_path, created_at, metrics)
- VALUES (?, ?, ?, ?, ?, ?)
- ''', (
- model_identifier, model_type, f'v{version}', model_path,
- datetime.now().isoformat(), json.dumps(metrics)
- ))
- conn.commit()
- conn.close()
- except Exception as db_error:
- thread_safe_print(f"数据库保存失败: {db_error}", "[DB_ERROR]")
-
- # 完成训练进度管理器
- progress_manager.finish_training(success=True)
-
- # 发送训练完成的WebSocket消息
- if socketio:
- print(f"📡 发送WebSocket完成消息", flush=True)
- logger.info(f"📡 发送WebSocket完成消息 - 任务ID: {task_id}")
- socketio.emit('training_update', {
- 'task_id': task_id,
- 'status': 'completed',
- 'message': f'模型 {model_type} 版本 {version} 训练完成',
- 'product_id': product_id,
- 'model_type': model_type,
- 'version': version,
- 'progress': 100,
- 'metrics': metrics,
- 'model_path': model_path
- }, namespace=WEBSOCKET_NAMESPACE, room=task_id)
-
- print(f"SUCCESS 任务 {task_id}: 训练完成！评估指标: {metrics}", flush=True)
- except Exception as e:
- import traceback
- print(f"ERROR 任务 {task_id}: 训练过程中发生异常!", flush=True)
- traceback.print_exc()
- error_msg = str(e)
- print(f"FAILED 任务 {task_id}: 训练失败。错误: {error_msg}", flush=True)
- training_tasks[task_id]['status'] = 'failed'
- training_tasks[task_id]['error'] = error_msg
-
- # 完成训练进度管理器（失败）
- progress_manager.finish_training(success=False, error_message=error_msg)
-
- # 发送训练失败的WebSocket消息
- if socketio:
- socketio.emit('training_update', {
- 'task_id': task_id,
- 'status': 'failed',
- 'message': f'模型 {model_type} 训练失败: {error_msg}',
- 'product_id': product_id,
- 'model_type': model_type,
- 'error': error_msg
- }, namespace=WEBSOCKET_NAMESPACE, room=task_id)
-
- # 构建训练任务参数
- training_kwargs = {
- 'product_scope': product_scope,
- 'product_ids': product_ids,
- 'training_scope': training_scope,
- 'aggregation_method': aggregation_method,
- 'store_ids': store_ids
- }
-
- print(f"\n🚀🚀🚀 THREAD START: 准备启动训练线程 task_id={task_id} 🚀🚀🚀", flush=True)
- print(f"📋 线程参数: training_mode={training_mode}, product_id={product_id}, model_type={model_type}", flush=True)
- sys.stdout.flush()
-
- thread = threading.Thread(
- target=train_task,
- args=(training_mode, product_id, store_id, epochs, model_type),
- kwargs=training_kwargs
- )
-
- print(f"🧵 线程已创建，准备启动...", flush=True)
- thread.start()
- print(f"✅ 线程已启动！", flush=True)
- sys.stdout.flush()
-
- training_tasks[task_id] = {
- 'status': 'running',
- 'product_id': product_id,
- 'model_type': model_type,
- 'store_id': store_id,
- 'training_mode': training_mode,
- 'product_scope': product_scope,
- 'product_ids': product_ids,
- 'training_scope': training_scope,
- 'aggregation_method': aggregation_method,
- 'store_ids': store_ids,
- 'start_time': datetime.now().isoformat(),
- 'metrics': None,
- 'error': None,
- 'model_path': None
- }
-
- print(f"✅ API返回响应: 训练任务 {task_id} 已启动", flush=True)
- return jsonify({'message': '模型训练已开始', 'task_id': task_id})
@app.route('/api/test-thread-output', methods=['POST'])
def test_thread_output():
@@ -2302,25 +2038,20 @@ def list_models():
# 格式化响应数据
formatted_models = []
for model in models:
- # 生成唯一且有意义的model_id
- model_id = model.get('filename', '').replace('.pth', '')
- if not model_id:
- # 备用方案：基于模型信息生成ID
- product_id = model.get('product_id', 'unknown')
- model_type = model.get('model_type', 'unknown')
- version = model.get('version', 'v1')
- training_mode = model.get('training_mode', 'product')
- store_id = model.get('store_id')
-
- if training_mode == 'store' and store_id:
- model_id = f"{model_type}_store_{store_id}_{product_id}_{version}"
- elif training_mode == 'global':
- aggregation_method = model.get('aggregation_method', 'mean')
- model_id = f"{model_type}_global_{product_id}_{aggregation_method}_{version}"
- else:
- model_id = f"{model_type}_product_{product_id}_{version}"
+ # 从 model_manager 获取的信息已经很全面
+ # 我们只需要确保前端需要的字段都存在
- # The new list_models returns a dictionary with all necessary info
+ # 药品范围
+ product_id = model.get('product_id')
+ if product_id and product_id not in ['all', 'unknown']:
+ model['product_scope'] = f"指定药品 ({product_id})"
+ else:
+ model['product_scope'] = "所有药品"
+
+ # 确保版本号存在
+ if 'version' not in model:
+ model['version'] = 'v1' # 默认值
+
formatted_models.append(model)
logger.info(f"[API] 成功获取 {len(formatted_models)} 个模型")
@@ -3693,9 +3424,25 @@ def get_model_versions_api(product_id, model_type):
def get_store_model_versions_api(store_id, model_type):
"""获取店铺模型版本列表API"""
try:
- model_identifier = f"store_{store_id}"
- versions = get_model_versions(model_identifier, model_type)
- latest_version = get_latest_model_version(model_identifier, model_type)
+ all_models_data = model_manager.list_models()
+ all_models = all_models_data.get('models', [])
+
+ versions = []
+ for model in all_models:
+ is_store_model = model.get('training_mode') == 'store'
+ # 检查scope是否以 "store_id_" 开头，以匹配 "store_id_product_id" 或 "store_id_all"
+ is_correct_scope = model.get('scope', '').startswith(f"{store_id}_")
+ is_correct_type = model.get('model_type') == model_type
+
+ if is_store_model and is_correct_scope and is_correct_type:
+ version_str = model.get('version')
+ if version_str:
+ versions.append(version_str)
+
+ # 对版本进行排序, e.g., 'v10', 'v2', 'v1' -> 'v10', 'v2', 'v1'
+ versions.sort(key=lambda v: int(v.replace('v', '')), reverse=True)
+
+ latest_version = versions[0] if versions else None
return jsonify({
"status": "success",
@@ -3714,9 +3461,23 @@ def get_store_model_versions_api(store_id, model_type):
def get_global_model_versions_api(model_type):
"""获取全局模型版本列表API"""
try:
- model_identifier = "global"
- versions = get_model_versions(model_identifier, model_type)
- latest_version = get_latest_model_version(model_identifier, model_type)
+ all_models_data = model_manager.list_models()
+ all_models = all_models_data.get('models', [])
+
+ versions = []
+ for model in all_models:
+ is_global_model = model.get('training_mode') == 'global'
+ is_correct_type = model.get('model_type') == model_type
+
+ if is_global_model and is_correct_type:
+ version_str = model.get('version')
+ if version_str:
+ versions.append(version_str)
+
+ # 对版本进行排序
+ versions.sort(key=lambda v: int(v.replace('v', '')), reverse=True)
+
+ latest_version = versions[0] if versions else None
return jsonify({
"status": "success",
diff --git a/server/core/predictor.py b/server/core/predictor.py
index 1721b92..18bb623 100644
--- a/server/core/predictor.py
+++ b/server/core/predictor.py
@@ -47,10 +47,83 @@ class PharmacyPredictor:
print(f"加载数据失败: {e}")
self.data = None
+ def _prepare_global_params(self, **kwargs):
+ """为 'global' (all_stores_all_products) 模式准备参数"""
+ return {
+ 'final_training_mode': 'global',
+ 'agg_store_id': None,
+ 'agg_product_id': None,
+ 'path_store_id': 'all',
+ 'path_product_id': 'all',
+ }
+
+ def _prepare_stores_params(self, **kwargs):
+ """为 'stores' (selected_stores) 模式准备参数并校验"""
+ store_ids_list = kwargs.get('store_ids')
+ if not store_ids_list:
+ raise ValueError("进行 'selected_stores' 范围训练时，必须提供 store_ids 列表。")
+ return {
+ 'final_training_mode': 'stores',
+ 'agg_store_id': store_ids_list,
+ 'agg_product_id': None,
+ 'path_store_id': store_ids_list[0],
+ 'path_product_id': 'all',
+ }
+
+ def _prepare_products_params(self, **kwargs):
+ """为 'products' (selected_products) 模式准备参数并校验"""
+ product_ids_list = kwargs.get('product_ids')
+ if not product_ids_list:
+ raise ValueError("进行 'selected_products' 范围训练时，必须提供 product_ids 列表。")
+ return {
+ 'final_training_mode': 'products',
+ 'agg_store_id': None,
+ 'agg_product_id': product_ids_list,
+ 'path_store_id': 'all',
+ 'path_product_id': product_ids_list[0],
+ }
+
+ def _prepare_custom_params(self, **kwargs):
+ """为 'custom' 模式准备参数并校验"""
+ store_ids_list = kwargs.get('store_ids')
+ product_ids_list = kwargs.get('product_ids')
+ if not store_ids_list or not product_ids_list:
+ raise ValueError("进行 'custom' 范围训练时，必须同时提供 store_ids 和 product_ids 列表。")
+ return {
+ 'final_training_mode': 'custom',
+ 'agg_store_id': store_ids_list,
+ 'agg_product_id': product_ids_list,
+ 'path_store_id': store_ids_list[0],
+ 'path_product_id': product_ids_list[0],
+ }
+
+ def _prepare_training_params(self, training_scope, product_id, store_id, **kwargs):
+ """
+ 参数准备分发器：根据 training_scope 调用相应的处理函数。
+ """
+ scope_handlers = {
+ 'all_stores_all_products': self._prepare_global_params,
+ 'selected_stores': self._prepare_stores_params,
+ 'selected_products': self._prepare_products_params,
+ 'custom': self._prepare_custom_params,
+ }
+ handler = scope_handlers.get(training_scope)
+ if not handler:
+ raise ValueError(f"不支持的训练范围: '{training_scope}'")
+
+ # 将所有相关参数合并到一个字典中，然后传递给处理函数
+ all_params = kwargs.copy()
+ all_params['training_scope'] = training_scope
+ all_params['product_id'] = product_id
+ all_params['store_id'] = store_id
+
+ return handler(**all_params)
+
def train_model(self, product_id, model_type='transformer', epochs=100,
learning_rate=0.001, use_optimized=False,
store_id=None, training_mode='product', aggregation_method='sum',
- socketio=None, task_id=None, progress_callback=None, patience=10):
+ product_scope='all', product_ids=None, store_ids=None,
+ socketio=None, task_id=None, progress_callback=None, patience=10, **kwargs):
"""
训练预测模型 - 完全适配新的训练器接口
"""
@@ -66,26 +139,44 @@ class PharmacyPredictor:
log_message("没有可用的数据，请先加载或生成数据", 'error')
return None
- # --- 数据准备 ---
try:
- if training_mode == 'store':
- product_data = get_store_product_sales_data(store_id, product_id, self.data_path)
- log_message(f"按店铺-产品训练: 店铺 {store_id}, 产品 {product_id}, 数据量: {len(product_data)}")
- elif training_mode == 'global':
- product_data = aggregate_multi_store_data(product_id, aggregation_method, self.data_path)
- log_message(f"全局训练模式: 产品 {product_id}, 聚合方法 {aggregation_method}, 数据���: {len(product_data)}")
- else: # 'product'
- product_data = self.data[self.data['product_id'] == product_id].copy()
- log_message(f"按产品训练模式: 产品 {product_id}, 数据量: {len(product_data)}")
+ # 从kwargs复制一份，避免修改原始字典
+ call_kwargs = kwargs.copy()
+ training_scope = call_kwargs.pop('training_scope', None)
+
+ # The dispatcher will pop the legacy store_id and product_id
+ params = self._prepare_training_params(
+ training_scope=training_scope,
+ store_id=store_id,
+ product_id=product_id,
+ product_ids=product_ids,
+ store_ids=store_ids,
+ **call_kwargs
+ )
+
+ product_data = aggregate_multi_store_data(
+ store_id=params['agg_store_id'],
+ product_id=params['agg_product_id'],
+ aggregation_method=aggregation_method,
+ file_path=self.data_path
+ )
+
+ if product_data is None or product_data.empty:
+ raise ValueError(f"聚合后数据为空，无法继续训练。模式: {params['final_training_mode']}")
+
+ except ValueError as e:
+ log_message(f"参数校验或数据准备失败: {e}", 'error')
+ return None
except Exception as e:
- log_message(f"数据准备失败: {e}", 'error')
+ import traceback
+ log_message(f"数据准备过程中发生未知错误: {e}", 'error')
+ log_message(traceback.format_exc(), 'error')
return None
if product_data.empty:
log_message(f"找不到产品 {product_id} 的数据", 'error')
return None
- # --- 训练器选择与参数准备 ---
trainers = {
'transformer': train_product_model_with_transformer,
'mlstm': train_product_model_with_mlstm,
@@ -100,13 +191,13 @@ class PharmacyPredictor:
trainer_func = trainers[model_type]
- # 统一所有训练器的参数
trainer_args = {
- "product_id": product_id,
+ "product_id": params['path_product_id'],
"product_df": product_data,
- "store_id": store_id,
- "training_mode": training_mode,
+ "store_id": params['path_store_id'],
+ "training_mode": params['final_training_mode'],
"aggregation_method": aggregation_method,
+ "scope": kwargs.get('training_scope'),
"epochs": epochs,
"socketio": socketio,
"task_id": task_id,
@@ -115,11 +206,9 @@ class PharmacyPredictor:
"learning_rate": learning_rate
}
- # 为 KAN 模型添加特殊参数
if 'kan' in model_type:
trainer_args['use_optimized'] = (model_type == 'optimized_kan')
- # --- 调用训练器 ---
try:
log_message(f"🤖 开始调用 {model_type} 训练器")
@@ -128,14 +217,16 @@ class PharmacyPredictor:
log_message(f"✅ {model_type} 训练器成功返回", 'success')
if metrics:
+ relative_model_path = os.path.relpath(model_version_path, os.getcwd())
+
metrics.update({
'model_type': model_type,
'version': version,
- 'model_path': model_version_path,
- 'training_mode': training_mode,
- 'store_id': store_id,
- 'product_id': product_id,
- 'aggregation_method': aggregation_method if training_mode == 'global' else None
+ 'model_path': relative_model_path.replace('\\', '/'),
+ 'training_mode': params['final_training_mode'],
+ 'store_id': params['path_store_id'],
+ 'product_id': params['path_product_id'],
+ 'aggregation_method': aggregation_method if params['final_training_mode'] == 'global' else None
})
log_message(f"📈 最终返回的metrics: {metrics}", 'success')
return metrics
diff --git a/server/trainers/kan_trainer.py b/server/trainers/kan_trainer.py
index ace88d8..7b94e08 100644
--- a/server/trainers/kan_trainer.py
+++ b/server/trainers/kan_trainer.py
@@ -21,14 +21,32 @@ from utils.data_utils import create_dataset, PharmacyDataset
from analysis.metrics import evaluate_model
from core.config import DEVICE, LOOK_BACK, FORECAST_HORIZON
from utils.model_manager import model_manager
+from typing import Any
+
+def convert_numpy_types(obj: Any) -> Any:
+ """
+ 递归地将字典或列表中的Numpy数值类型转换为Python原生类型。
+ """
+ if isinstance(obj, dict):
+ return {k: convert_numpy_types(v) for k, v in obj.items()}
+ elif isinstance(obj, list):
+ return [convert_numpy_types(elem) for elem in obj]
+ elif isinstance(obj, np.floating):
+ return float(obj)
+ elif isinstance(obj, np.integer):
+ return int(obj)
+ elif isinstance(obj, np.ndarray):
+ return obj.tolist()
+ return obj
def train_product_model_with_kan(
- product_id,
+ product_id,
product_df=None,
- store_id=None,
- training_mode='product',
- aggregation_method='sum',
- epochs=50,
+ store_id=None,
+ training_mode='product',
+ aggregation_method='sum',
+ scope=None,
+ epochs=50,
use_optimized=False,
socketio=None,
task_id=None,
@@ -70,12 +88,17 @@ def train_product_model_with_kan(
# 1. 确定模型标识符和版本
model_type = 'optimized_kan' if use_optimized else 'kan'
- if training_mode == 'store':
- scope = f"{store_id}_{product_id}"
- elif training_mode == 'global':
- scope = f"{product_id}" if product_id else "all"
- else: # 'product' mode
- scope = f"{product_id}_all"
+ # 直接使用从 predictor 传递过来的、已经构建好的 scope
+ if scope is None:
+ # 作为后备，如果scope未提供，则根据旧逻辑构建（不推荐）
+ if training_mode == 'store':
+ current_product_id = product_id if product_id and product_id not in ['unknown', 'all'] else 'all'
+ scope = f"{store_id}_{current_product_id}"
+ elif training_mode == 'product':
+ scope = f"{product_id}_{store_id or 'all'}"
+ elif training_mode == 'global':
+ scope = product_id if product_id else "all"
+ emit_progress(f"警告: Scope未由调用方提供，已自动构建为 '{scope}'", 'warning')
model_identifier = model_manager.get_model_identifier(model_type, training_mode, scope, aggregation_method)
version = model_manager.get_next_version_number(model_identifier)
@@ -83,7 +106,15 @@ def train_product_model_with_kan(
emit_progress(f"开始训练 {model_type} 模型 v{version}")
# 2. 获取模型版本路径
- model_version_path = model_manager.get_model_version_path(model_type, training_mode, scope, version, aggregation_method)
+ model_version_path = model_manager.get_model_version_path(
+ model_type=model_type,
+ training_mode=training_mode,
+ scope=scope,
+ version=version,
+ aggregation_method=aggregation_method,
+ product_id=product_id,
+ store_id=store_id
+ )
emit_progress(f"模型将保存到: {model_version_path}")
# 3. 数据加载和预处理
@@ -106,8 +137,11 @@ def train_product_model_with_kan(
training_scope = f"店铺 {store_id}"
elif training_mode == 'global':
training_scope = f"全局聚合({aggregation_method})"
- else:
- training_scope = "所有店铺"
+ else: # 主要对应 product 模式
+ if store_id:
+ training_scope = f"店铺 {store_id}"
+ else:
+ training_scope = "所有店铺"
min_required_samples = LOOK_BACK + FORECAST_HORIZON
if len(product_df) < min_required_samples:
@@ -244,6 +278,9 @@ def train_product_model_with_kan(
metrics = evaluate_model(test_true_inv.flatten(), test_pred_inv.flatten())
metrics['training_time'] = training_time
+ # 解决 'Object of type float32 is not JSON serializable' 错误
+ metrics = convert_numpy_types(metrics)
+
emit_progress(f"模型评估完成 - RMSE: {metrics['rmse']:.4f}, R²: {metrics['r2']:.4f}")
# 7. 保存最终模型和元数据
@@ -258,6 +295,7 @@ def train_product_model_with_kan(
'product_id': product_id, 'product_name': product_name, 'model_type': model_type,
'version': f'v{version}', 'training_mode': training_mode, 'scope': scope,
'aggregation_method': aggregation_method, 'training_scope_description': training_scope,
+ 'product_scope': '所有药品' if product_id == 'all' else product_name,
'timestamp': datetime.now().isoformat(), 'metrics': metrics,
'config': {
'input_dim': input_dim, 'output_dim': output_dim,
diff --git a/server/trainers/mlstm_trainer.py b/server/trainers/mlstm_trainer.py
index 60e26c4..ea01496 100644
--- a/server/trainers/mlstm_trainer.py
+++ b/server/trainers/mlstm_trainer.py
@@ -22,6 +22,23 @@ from core.config import (
)
from utils.training_progress import progress_manager
from utils.model_manager import model_manager
+from typing import Any
+
+def convert_numpy_types(obj: Any) -> Any:
+ """
+ 递归地将字典或列表中的Numpy数值类型转换为Python原生类型。
+ """
+ if isinstance(obj, dict):
+ return {k: convert_numpy_types(v) for k, v in obj.items()}
+ elif isinstance(obj, list):
+ return [convert_numpy_types(elem) for elem in obj]
+ elif isinstance(obj, np.floating):
+ return float(obj)
+ elif isinstance(obj, np.integer):
+ return int(obj)
+ elif isinstance(obj, np.ndarray):
+ return obj.tolist()
+ return obj
def train_product_model_with_mlstm(
product_id,
@@ -29,6 +46,7 @@ def train_product_model_with_mlstm(
store_id=None,
training_mode='product',
aggregation_method='sum',
+ scope=None,
epochs=50,
socketio=None,
task_id=None,
@@ -54,7 +72,7 @@ def train_product_model_with_mlstm(
progress_callback: 进度回调函数，用于多进程训练
"""
- # 创建WebSocket进度反馈函数，支持多进程 """
+ # 创建WebSocket进度反馈函数，支持多进程
def emit_progress(message, progress=None, metrics=None):
"""发送训练进度到前端"""
@@ -89,12 +107,18 @@ def train_product_model_with_mlstm(
# 1. 确定模型标识符和版本
model_type = 'mlstm'
- if training_mode == 'store':
- scope = f"{store_id}_{product_id}"
- elif training_mode == 'global':
- scope = f"{product_id}" if product_id else "all"
- else:
- scope = f"{product_id}_all"
+
+ # 直接使用从 predictor 传递过来的、已经构建好的 scope
+ if scope is None:
+ # 作为后备，如果scope未提供，则根据旧逻辑构建（不推荐）
+ if training_mode == 'store':
+ current_product_id = product_id if product_id and product_id not in ['unknown', 'all'] else 'all'
+ scope = f"{store_id}_{current_product_id}"
+ elif training_mode == 'product':
+ scope = f"{product_id}_{store_id or 'all'}"
+ elif training_mode == 'global':
+ scope = product_id if product_id else "all"
+ emit_progress(f"警告: Scope未由调用方提供，已自动构建为 '{scope}'", 'warning')
model_identifier = model_manager.get_model_identifier(model_type, training_mode, scope, aggregation_method)
version = model_manager.get_next_version_number(model_identifier)
@@ -102,15 +126,25 @@ def train_product_model_with_mlstm(
emit_progress(f"开始训练 mLSTM 模型 v{version}")
# 2. 获取模型版本路径
- model_version_path = model_manager.get_model_version_path(model_type, training_mode, scope, version, aggregation_method)
+ model_version_path = model_manager.get_model_version_path(
+ model_type=model_type,
+ training_mode=training_mode,
+ version=version,
+ aggregation_method=aggregation_method,
+ product_id=product_id,
+ store_id=store_id
+ )
emit_progress(f"模型将保存到: {model_version_path}")
if training_mode == 'store' and store_id:
training_scope = f"店铺 {store_id}"
elif training_mode == 'global':
training_scope = f"全局聚合({aggregation_method})"
- else:
- training_scope = "所有店铺"
+ else: # 主要对应 product 模式
+ if store_id:
+ training_scope = f"店铺 {store_id}"
+ else:
+ training_scope = "所有店铺"
min_required_samples = LOOK_BACK + FORECAST_HORIZON
if len(product_df) < min_required_samples:
@@ -121,16 +155,16 @@ def train_product_model_with_mlstm(
product_name = product_df['product_name'].iloc[0]
- print(f"[mLSTM] 使用mLSTM模型训练产品 '{product_name}' (ID: {product_id}) 的销售预测模型", flush=True)
+ print(f"[mLSTM] 使用mLSTM模型训练 '{product_name}' (ID: {product_id}) 的销售预测模型", flush=True)
print(f"[mLSTM] 训练范围: {training_scope}", flush=True)
print(f"[mLSTM] 版本: v{version}", flush=True)
print(f"[mLSTM] 使用设备: {DEVICE}", flush=True)
print(f"[mLSTM] 数据量: {len(product_df)} 条记录", flush=True)
- emit_progress(f"训练产品: {product_name} (ID: {product_id}) - {training_scope}")
+ emit_progress(f"训练产品: {product_name} (ID: {product_id}) - {training_scope}")
# 创建特征和目标变量
features = ['sales', 'weekday', 'month', 'is_holiday', 'is_weekend', 'is_promotion', 'temperature']
-
+
print(f"[mLSTM] 开始数据预处理，特征: {features}", flush=True)
# 预处理数据
@@ -144,7 +178,7 @@ def train_product_model_with_mlstm(
scaler_y = MinMaxScaler(feature_range=(0, 1))
X_scaled = scaler_X.fit_transform(X)
y_scaled = scaler_y.fit_transform(y)
- print(f"[mLSTM] 数据归一化完成", flush=True)
+ print(f"[mLSTM] 数据归一化完成", flush=True)
train_size = int(len(X_scaled) * 0.8)
X_train, X_test = X_scaled[:train_size], X_scaled[train_size:]
y_train, y_test = y_scaled[:train_size], y_scaled[train_size:]
@@ -155,11 +189,9 @@ def train_product_model_with_mlstm(
train_loader = DataLoader(PharmacyDataset(torch.Tensor(trainX), torch.Tensor(trainY)), batch_size=32, shuffle=True)
test_loader = DataLoader(PharmacyDataset(torch.Tensor(testX), torch.Tensor(testY)), batch_size=32, shuffle=False)
-
-
-
-
- print(f"[mLSTM] 数据加载器创建完成 - 批次数: {total_batches}, 样本数: {total_samples}", flush=True)
+ total_batches = len(train_loader)
+ total_samples = len(train_loader.dataset)
+ print(f"[mLSTM] 数据加载器创建完成 - 批次数: {total_batches}, 样本数: {total_samples}", flush=True)
emit_progress(f"数据加载器准备完成 - 批次数: {total_batches}, 样本数: {total_samples}")
input_dim = X_train.shape[1]
output_dim = FORECAST_HORIZON
@@ -170,7 +202,7 @@ def train_product_model_with_mlstm(
dense_dim=dense_dim, num_heads=num_heads, dropout_rate=dropout_rate,
num_blocks=num_blocks, output_sequence_length=output_dim
).to(DEVICE)
- print(f"[mLSTM] 模型创建完成", flush=True)
+ print(f"[mLSTM] 模型创建完成", flush=True)
emit_progress("mLSTM模型初始化完成")
if continue_training:
emit_progress("继续训练模式启动，但当前重构版本将从头开始。")
@@ -186,11 +218,11 @@ def train_product_model_with_mlstm(
checkpoint_interval = max(1, epochs // 10)
best_loss = float('inf')
epochs_no_improve = 0
- emit_progress(f"开始训练 - 总epoch: {epochs}, 检查点间隔: {checkpoint_interval}, 耐心值: {patience}")
+ emit_progress(f"开始训练 - 总epoch: {epochs}, 检查点间隔: {checkpoint_interval}, 耐心值: {patience}")
for epoch in range(epochs):
- emit_progress(f"开始训练 Epoch {epoch+1}/{epochs}")
+ emit_progress(f"开始训练 Epoch {epoch+1}/{epochs}")
model.train()
epoch_loss = 0
@@ -204,10 +236,10 @@ def train_product_model_with_mlstm(
torch.nn.utils.clip_grad_norm_(model.parameters(), max_norm=clip_norm)
optimizer.step()
epoch_loss += loss.item()
- # 计算训练损失
+ # 计算训练损失
train_loss = epoch_loss / len(train_loader)
train_losses.append(train_loss)
- # 在测试集上评估
+ # 在测试集上评估
model.eval()
test_loss = 0
with torch.no_grad():
@@ -219,13 +251,14 @@ def train_product_model_with_mlstm(
test_loss /= len(test_loader)
test_losses.append(test_loss)
-# 更新学习率
+ # 更新学习率
scheduler.step(test_loss)
emit_progress(f"Epoch {epoch+1}/{epochs} 完成 - Train Loss: {train_loss:.4f}, Test Loss: {test_loss:.4f}",
progress=10 + ((epoch + 1) / epochs) * 85)
# 定期保存检查点
- # 3. 保存检查点 checkpoint_data = {
+ # 3. 保存检查点
+ checkpoint_data = {
'epoch': epoch + 1,
'model_state_dict': model.state_dict(),
'optimizer_state_dict': optimizer.state_dict(),
@@ -265,7 +298,10 @@ def train_product_model_with_mlstm(
metrics = evaluate_model(scaler_y.inverse_transform(testY), scaler_y.inverse_transform(test_pred))
metrics['training_time'] = training_time
- # 打印评估指标
+
+ # 解决 'Object of type float32 is not JSON serializable' 错误
+ metrics = convert_numpy_types(metrics)
+ # 打印评估指标
print("\n模型评估指标:")
print(f"MSE: {metrics['mse']:.4f}")
print(f"RMSE: {metrics['rmse']:.4f}")
@@ -286,6 +322,7 @@ def train_product_model_with_mlstm(
'product_id': product_id, 'product_name': product_name, 'model_type': model_type,
'version': f'v{version}', 'training_mode': training_mode, 'scope': scope,
'aggregation_method': aggregation_method, 'training_scope_description': training_scope,
+ 'product_scope': '所有药品' if product_id == 'all' else product_name,
'timestamp': datetime.now().isoformat(), 'metrics': metrics,
'config': {
'input_dim': input_dim, 'output_dim': output_dim, 'hidden_size': hidden_size,
diff --git a/server/trainers/tcn_trainer.py b/server/trainers/tcn_trainer.py
index 2a5363e..429ac3c 100644
--- a/server/trainers/tcn_trainer.py
+++ b/server/trainers/tcn_trainer.py
@@ -19,6 +19,23 @@ from utils.data_utils import create_dataset, PharmacyDataset
from analysis.metrics import evaluate_model
from core.config import DEVICE, LOOK_BACK, FORECAST_HORIZON
from utils.model_manager import model_manager
+from typing import Any
+
+def convert_numpy_types(obj: Any) -> Any:
+ """
+ 递归地将字典或列表中的Numpy数值类型转换为Python原生类型。
+ """
+ if isinstance(obj, dict):
+ return {k: convert_numpy_types(v) for k, v in obj.items()}
+ elif isinstance(obj, list):
+ return [convert_numpy_types(elem) for elem in obj]
+ elif isinstance(obj, np.floating):
+ return float(obj)
+ elif isinstance(obj, np.integer):
+ return int(obj)
+ elif isinstance(obj, np.ndarray):
+ return obj.tolist()
+ return obj
def train_product_model_with_tcn(
product_id,
@@ -26,6 +43,7 @@ def train_product_model_with_tcn(
store_id=None,
training_mode='product',
aggregation_method='sum',
+ scope=None,
epochs=50,
socketio=None,
task_id=None,
@@ -67,12 +85,17 @@ def train_product_model_with_tcn(
# 1. 确定模型标识符和版本
model_type = 'tcn'
- if training_mode == 'store':
- scope = f"{store_id}_{product_id}"
- elif training_mode == 'global':
- scope = f"{product_id}" if product_id else "all"
- else: # 'product' mode
- scope = f"{product_id}_all"
+ # 直接使用从 predictor 传递过来的、已经构建好的 scope
+ if scope is None:
+ # 作为后备，如果scope未提供，则根据旧逻辑构建（不推荐）
+ if training_mode == 'store':
+ current_product_id = product_id if product_id and product_id not in ['unknown', 'all'] else 'all'
+ scope = f"{store_id}_{current_product_id}"
+ elif training_mode == 'product':
+ scope = f"{product_id}_{store_id or 'all'}"
+ elif training_mode == 'global':
+ scope = product_id if product_id else "all"
+ emit_progress(f"警告: Scope未由调用方提供，已自动构建为 '{scope}'", 'warning')
model_identifier = model_manager.get_model_identifier(model_type, training_mode, scope, aggregation_method)
version = model_manager.get_next_version_number(model_identifier)
@@ -80,7 +103,15 @@ def train_product_model_with_tcn(
emit_progress(f"开始训练 {model_type} 模型 v{version}")
# 2. 获取模型版本路径
- model_version_path = model_manager.get_model_version_path(model_type, training_mode, scope, version, aggregation_method)
+ model_version_path = model_manager.get_model_version_path(
+ model_type=model_type,
+ training_mode=training_mode,
+ scope=scope,
+ version=version,
+ aggregation_method=aggregation_method,
+ product_id=product_id,
+ store_id=store_id
+ )
emit_progress(f"模型将保存到: {model_version_path}")
# 3. 数据加载和预处理
@@ -102,8 +133,11 @@ def train_product_model_with_tcn(
training_scope = f"店铺 {store_id}"
elif training_mode == 'global':
training_scope = f"全局聚合({aggregation_method})"
- else:
- training_scope = "所有店铺"
+ else: # 主要对应 product 模式
+ if store_id:
+ training_scope = f"店铺 {store_id}"
+ else:
+ training_scope = "所有店铺"
min_required_samples = LOOK_BACK + FORECAST_HORIZON
if len(product_df) < min_required_samples:
@@ -239,6 +273,9 @@ def train_product_model_with_tcn(
metrics = evaluate_model(test_true_inv.flatten(), test_pred_inv.flatten())
metrics['training_time'] = training_time
+ # 解决 'Object of type float32 is not JSON serializable' 错误
+ metrics = convert_numpy_types(metrics)
+
emit_progress(f"模型评估完成 - RMSE: {metrics['rmse']:.4f}, R²: {metrics['r2']:.4f}")
# 7. 保存最终模型和元数据
@@ -253,6 +290,7 @@ def train_product_model_with_tcn(
'product_id': product_id, 'product_name': product_name, 'model_type': model_type,
'version': f'v{version}', 'training_mode': training_mode, 'scope': scope,
'aggregation_method': aggregation_method, 'training_scope_description': training_scope,
+ 'product_scope': '所有药品' if product_id == 'all' else product_name,
'timestamp': datetime.now().isoformat(), 'metrics': metrics,
'config': {
'input_dim': input_dim, 'output_dim': output_dim, 'hidden_size': hidden_size,
diff --git a/server/trainers/transformer_trainer.py b/server/trainers/transformer_trainer.py
index f9bd444..a285352 100644
--- a/server/trainers/transformer_trainer.py
+++ b/server/trainers/transformer_trainer.py
@@ -19,6 +19,23 @@ from utils.data_utils import create_dataset, PharmacyDataset
from analysis.metrics import evaluate_model
from core.config import DEVICE, LOOK_BACK, FORECAST_HORIZON
from utils.model_manager import model_manager
+from typing import Any
+
+def convert_numpy_types(obj: Any) -> Any:
+ """
+ 递归地将字典或列表中的Numpy数值类型转换为Python原生类型。
+ """
+ if isinstance(obj, dict):
+ return {k: convert_numpy_types(v) for k, v in obj.items()}
+ elif isinstance(obj, list):
+ return [convert_numpy_types(elem) for elem in obj]
+ elif isinstance(obj, np.floating):
+ return float(obj)
+ elif isinstance(obj, np.integer):
+ return int(obj)
+ elif isinstance(obj, np.ndarray):
+ return obj.tolist()
+ return obj
def train_product_model_with_transformer(
product_id,
@@ -26,6 +43,7 @@ def train_product_model_with_transformer(
store_id=None,
training_mode='product',
aggregation_method='sum',
+ scope=None,
epochs=50,
socketio=None,
task_id=None,
@@ -68,12 +86,17 @@ def train_product_model_with_transformer(
# 1. 确定模型标识符和版本
model_type = 'transformer'
- if training_mode == 'store':
- scope = f"{store_id}_{product_id}"
- elif training_mode == 'global':
- scope = f"{product_id}" if product_id else "all"
- else: # 'product' mode
- scope = f"{product_id}_all"
+ # 直接使用从 predictor 传递过来的、已经构建好的 scope
+ if scope is None:
+ # 作为后备，如果scope未提供，则根据旧逻辑构建（不推荐）
+ if training_mode == 'store':
+ current_product_id = product_id if product_id and product_id not in ['unknown', 'all'] else 'all'
+ scope = f"{store_id}_{current_product_id}"
+ elif training_mode == 'product':
+ scope = f"{product_id}_{store_id or 'all'}"
+ elif training_mode == 'global':
+ scope = product_id if product_id else "all"
+ emit_progress(f"警告: Scope未由调用方提供，已自动构建为 '{scope}'", 'warning')
model_identifier = model_manager.get_model_identifier(model_type, training_mode, scope, aggregation_method)
version = model_manager.get_next_version_number(model_identifier)
@@ -81,7 +104,15 @@ def train_product_model_with_transformer(
emit_progress(f"开始训练 {model_type} 模型 v{version}")
# 2. 获取模型版本路径
- model_version_path = model_manager.get_model_version_path(model_type, training_mode, scope, version, aggregation_method)
+ model_version_path = model_manager.get_model_version_path(
+ model_type=model_type,
+ training_mode=training_mode,
+ scope=scope,
+ version=version,
+ aggregation_method=aggregation_method,
+ product_id=product_id,
+ store_id=store_id
+ )
emit_progress(f"模型将保存到: {model_version_path}")
# 3. 数据加载和预处理
@@ -103,8 +134,11 @@ def train_product_model_with_transformer(
training_scope = f"店铺 {store_id}"
elif training_mode == 'global':
training_scope = f"全局聚合({aggregation_method})"
- else:
- training_scope = "所有店铺"
+ else: # 主要对应 product 模式
+ if store_id:
+ training_scope = f"店铺 {store_id}"
+ else:
+ training_scope = "所有店铺"
min_required_samples = LOOK_BACK + FORECAST_HORIZON
if len(product_df) < min_required_samples:
@@ -246,6 +280,9 @@ def train_product_model_with_transformer(
metrics = evaluate_model(test_true_inv.flatten(), test_pred_inv.flatten())
metrics['training_time'] = training_time
+ # 解决 'Object of type float32 is not JSON serializable' 错误
+ metrics = convert_numpy_types(metrics)
+
emit_progress(f"模型评估完成 - RMSE: {metrics['rmse']:.4f}, R²: {metrics['r2']:.4f}")
# 7. 保存最终模型和元数据
@@ -260,6 +297,7 @@ def train_product_model_with_transformer(
'product_id': product_id, 'product_name': product_name, 'model_type': model_type,
'version': f'v{version}', 'training_mode': training_mode, 'scope': scope,
'aggregation_method': aggregation_method, 'training_scope_description': training_scope,
+ 'product_scope': '所有药品' if product_id == 'all' else product_name,
'timestamp': datetime.now().isoformat(), 'metrics': metrics,
'config': {
'input_dim': input_dim, 'output_dim': output_dim, 'd_model': hidden_size,
diff --git a/server/utils/model_manager.py b/server/utils/model_manager.py
index 6f22c54..deca21d 100644
--- a/server/utils/model_manager.py
+++ b/server/utils/model_manager.py
@@ -76,19 +76,47 @@ class ModelManager:
def get_model_version_path(self,
model_type: str,
- training_mode: str,
- scope: str,
version: int,
- aggregation_method: Optional[str] = None) -> str:
+ training_mode: str,
+ aggregation_method: Optional[str] = None,
+ store_id: Optional[str] = None,
+ product_id: Optional[str] = None,
+ scope: Optional[str] = None) -> str: # scope为了兼容旧调用
"""
- 根据新规则生成模型版本目录的完整路径。
+ 根据 `xz训练模型保存规则.md` 中定义的新规则生成模型版本目录的完整路径。
"""
- base_path = os.path.join(self.model_dir, training_mode, scope)
- if training_mode == 'global' and aggregation_method:
- base_path = os.path.join(base_path, str(aggregation_method))
+ # 基础路径始终是 self.model_dir
+ base_path = self.model_dir
+
+ # 确定第一级目录，根据规则，所有模式都在 'global' 下
+ path_parts = [base_path, 'global']
+
+ if training_mode == 'global':
+ # global/all/{aggregation_method}/{model_type}/v{N}/
+ path_parts.extend(['all', str(aggregation_method)])
- version_path = os.path.join(base_path, model_type, f'v{version}')
- return version_path
+ elif training_mode == 'stores':
+ # global/stores/{store_id}/{aggregation_method}/{model_type}/v{N}/
+ if not store_id: raise ValueError("store_id is required for 'stores' training mode.")
+ path_parts.extend(['stores', store_id, str(aggregation_method)])
+
+ elif training_mode == 'products':
+ # global/products/{product_id}/{aggregation_method}/{model_type}/v{N}/
+ if not product_id: raise ValueError("product_id is required for 'products' training mode.")
+ path_parts.extend(['products', product_id, str(aggregation_method)])
+
+ elif training_mode == 'custom':
+ # global/custom/{store_id}/{product_id}/{aggregation_method}/{model_type}/v{N}/
+ if not store_id or not product_id:
+ raise ValueError("store_id and product_id are required for 'custom' training mode.")
+ path_parts.extend(['custom', store_id, product_id, str(aggregation_method)])
+
+ else:
+ raise ValueError(f"不支持的 training_mode: {training_mode}")
+
+ path_parts.extend([model_type, f'v{version}'])
+
+ return os.path.join(*path_parts)
def save_model_artifact(self,
artifact_data: Any,
@@ -121,50 +149,22 @@ class ModelManager:
page: Optional[int] = None,
page_size: Optional[int] = None) -> Dict:
"""
- 通过扫描目录结构来列出所有模型。
+ 通过扫描目录结构来列出所有模型 (适配新结构)。
"""
all_models = []
- for training_mode in os.listdir(self.model_dir):
- mode_path = os.path.join(self.model_dir, training_mode)
- if not os.path.isdir(mode_path) or training_mode == 'checkpoints' or training_mode == self.VERSION_FILE:
- continue
-
- for scope in os.listdir(mode_path):
- scope_path = os.path.join(mode_path, scope)
- if not os.path.isdir(scope_path): continue
+ # 使用glob查找所有版本目录
+ search_pattern = os.path.join(self.model_dir, '**', 'v*')
+
+ for version_path in glob.glob(search_pattern, recursive=True):
+ # 确保它是一个目录并且包含 metadata.json
+ metadata_path = os.path.join(version_path, 'metadata.json')
+ if os.path.isdir(version_path) and os.path.exists(metadata_path):
+ model_info = self._parse_info_from_path(version_path)
+ if model_info:
+ all_models.append(model_info)
- is_global_agg_level = False
- if training_mode == 'global' and os.listdir(scope_path):
- try:
- first_item_path = os.path.join(scope_path, os.listdir(scope_path)[0])
- if os.path.isdir(first_item_path):
- is_global_agg_level = True
- except IndexError:
- continue
-
- if is_global_agg_level:
- for agg_method in os.listdir(scope_path):
- agg_path = os.path.join(scope_path, agg_method)
- if not os.path.isdir(agg_path): continue
- for model_type in os.listdir(agg_path):
- type_path = os.path.join(agg_path, model_type)
- if not os.path.isdir(type_path): continue
- for version_folder in os.listdir(type_path):
- if version_folder.startswith('v'):
- version_path = os.path.join(type_path, version_folder)
- model_info = self._parse_info_from_path(version_path)
- if model_info:
- all_models.append(model_info)
- else:
- for model_type in os.listdir(scope_path):
- type_path = os.path.join(scope_path, model_type)
- if not os.path.isdir(type_path): continue
- for version_folder in os.listdir(type_path):
- if version_folder.startswith('v'):
- version_path = os.path.join(type_path, version_folder)
- model_info = self._parse_info_from_path(version_path)
- if model_info:
- all_models.append(model_info)
+ # 按时间戳降序排序
+ all_models.sort(key=lambda x: x.get('timestamp', ''), reverse=True)
total_count = len(all_models)
if page and page_size:
@@ -185,7 +185,7 @@ class ModelManager:
}
def _parse_info_from_path(self, version_path: str) -> Optional[Dict]:
- """从版本目录路径解析模型信息"""
+ """根据新的目录结构从版本目录路径解析模型信息"""
try:
norm_path = os.path.normpath(version_path)
norm_model_dir = os.path.normpath(self.model_dir)
@@ -193,29 +193,51 @@ class ModelManager:
relative_path = os.path.relpath(norm_path, norm_model_dir)
parts = relative_path.split(os.sep)
+ # 期望路径: global/{scope_type}/{id...}/{agg_method}/{model_type}/v{N}
+ if parts[0] != 'global' or len(parts) < 5:
+ return None # 不是规范的新路径
+
info = {
'model_path': version_path,
'version': parts[-1],
- 'model_type': parts[-2]
+ 'model_type': parts[-2],
+ 'store_id': None,
+ 'product_id': None,
}
- training_mode = parts[0]
- info['training_mode'] = training_mode
+ scope_type = parts[1] # all, stores, products, custom
- if training_mode == 'global':
- info['scope'] = parts[1]
+ if scope_type == 'all':
+ # global/all/sum/mlstm/v1
+ info['training_mode'] = 'global'
info['aggregation_method'] = parts[2]
- info['model_identifier'] = self.get_model_identifier(info['model_type'], training_mode, info['scope'], info['aggregation_method'])
+ elif scope_type == 'stores':
+ # global/stores/S001/sum/mlstm/v1
+ info['training_mode'] = 'stores'
+ info['store_id'] = parts[2]
+ info['aggregation_method'] = parts[3]
+ elif scope_type == 'products':
+ # global/products/P001/sum/mlstm/v1
+ info['training_mode'] = 'products'
+ info['product_id'] = parts[2]
+ info['aggregation_method'] = parts[3]
+ elif scope_type == 'custom':
+ # global/custom/S001/P001/sum/mlstm/v1
+ info['training_mode'] = 'custom'
+ info['store_id'] = parts[2]
+ info['product_id'] = parts[3]
+ info['aggregation_method'] = parts[4]
else:
- info['scope'] = parts[1]
- info['aggregation_method'] = None
- info['model_identifier'] = self.get_model_identifier(info['model_type'], training_mode, info['scope'])
+ return None
metadata_path = os.path.join(version_path, 'metadata.json')
if os.path.exists(metadata_path):
with open(metadata_path, 'r', encoding='utf-8') as f:
metadata = json.load(f)
+ # 确保从路径解析出的ID覆盖元数据中的，因为路径是权威来源
info.update(metadata)
+ info['version'] = parts[-1] # 重新覆盖，确保正确
+ info['model_type'] = parts[-2]
return info
except (IndexError, IOError) as e:
diff --git a/server/utils/multi_store_data_utils.py b/server/utils/multi_store_data_utils.py
index facc2b3..b1ef342 100644
--- a/server/utils/multi_store_data_utils.py
+++ b/server/utils/multi_store_data_utils.py
@@ -268,7 +268,7 @@ def get_store_product_sales_data(store_id: str,
# 数据标准化已在load_multi_store_data中完成
# 验证必要的列是否存在
- required_columns = ['sales', 'price', 'weekday', 'month', 'is_holiday', 'is_weekend', 'is_promotion', 'temperature']
+ required_columns = ['sales', 'weekday', 'month', 'is_holiday', 'is_weekend', 'is_promotion', 'temperature']
missing_columns = [col for col in required_columns if col not in df.columns]
if missing_columns:
@@ -287,96 +287,72 @@ def get_store_product_sales_data(store_id: str,
# 返回只包含这些必需列的DataFrame
return df[existing_columns]
-def aggregate_multi_store_data(product_id: Optional[str] = None,
- store_id: Optional[str] = None,
- aggregation_method: str = 'sum',
- file_path: str = None) -> pd.DataFrame:
+def aggregate_multi_store_data(product_id: Optional[Any] = None,
+ store_id: Optional[Any] = None,
+ aggregation_method: str = 'sum',
+ file_path: Optional[str] = None) -> Optional[pd.DataFrame]:
"""
- 聚合销售数据，可按产品（全局）或按店铺（所有产品）
-
- 参数:
- file_path: 数据文件路径
- product_id: 产品ID (用于全局模型)
- store_id: 店铺ID (用于店铺聚合模型)
- aggregation_method: 聚合方法 ('sum', 'mean', 'median')
-
- 返回:
- DataFrame: 聚合后的销售数据
+ 聚合销售数据 (已修复，支持ID列表)。
+ - 如果提供了 product_id(s)，则聚合指定产品的数据。
+ - 如果提供了 store_id(s)，则聚合指定店铺的数据。
"""
- # 根据是全局聚合、店铺聚合还是真正全局聚合来加载数据
- if store_id:
- # 店铺聚合：加载该店铺的所有数据
- df = load_multi_store_data(file_path, store_id=store_id)
- if len(df) == 0:
- raise ValueError(f"没有找到店铺 {store_id} 的销售数据")
- grouping_entity = f"店铺 {store_id}"
- elif product_id:
- # 按产品聚合：加载该产品在所有店铺的数据
- df = load_multi_store_data(file_path, product_id=product_id)
- if len(df) == 0:
- raise ValueError(f"没有找到产品 {product_id} 的销售数据")
- grouping_entity = f"产品 {product_id}"
- else:
- # 真正全局聚合：加载所有数据
+ if file_path is None:
+ file_path = DEFAULT_DATA_PATH
+
+ try:
+ # 先加载所有数据，再进行过滤
df = load_multi_store_data(file_path)
- if len(df) == 0:
- raise ValueError("数据文件为空，无法进行全局聚合")
- grouping_entity = "所有产品"
-
- # 按日期聚合（使用标准化后的列名）
- agg_dict = {}
- if aggregation_method == 'sum':
- agg_dict = {
- 'sales': 'sum', # 标准化后的销量列
- 'sales_amount': 'sum',
- 'price': 'mean' # 标准化后的价格列，取平均值
- }
- elif aggregation_method == 'mean':
- agg_dict = {
- 'sales': 'mean',
- 'sales_amount': 'mean',
- 'price': 'mean'
- }
- elif aggregation_method == 'median':
- agg_dict = {
- 'sales': 'median',
- 'sales_amount': 'median',
- 'price': 'median'
- }
-
- # 确保列名存在
- available_cols = df.columns.tolist()
- agg_dict = {k: v for k, v in agg_dict.items() if k in available_cols}
-
- # 聚合数据
- aggregated_df = df.groupby('date').agg(agg_dict).reset_index()
-
- # 获取产品信息（取第一个店铺的信息）
- product_info = df[['product_id', 'product_name', 'product_category']].iloc[0]
- for col, val in product_info.items():
- aggregated_df[col] = val
-
- # 添加店铺信息标识为全局
- aggregated_df['store_id'] = 'GLOBAL'
- aggregated_df['store_name'] = f'全部店铺-{aggregation_method.upper()}'
- aggregated_df['store_location'] = '全局聚合'
- aggregated_df['store_type'] = 'global'
-
- # 对聚合后的数据进行标准化（添加缺失的特征列）
- aggregated_df = aggregated_df.sort_values('date').copy()
- aggregated_df = standardize_column_names(aggregated_df)
-
- # 定义模型训练所需的所有列（特征 + 目标）
- final_columns = [
- 'date', 'sales', 'product_id', 'product_name', 'store_id', 'store_name',
- 'weekday', 'month', 'is_holiday', 'is_weekend', 'is_promotion', 'temperature'
- ]
-
- # 筛选出DataFrame中实际存在的列
- existing_columns = [col for col in final_columns if col in aggregated_df.columns]
-
- # 返回只包含这些必需列的DataFrame
- return aggregated_df[existing_columns]
+ if df.empty:
+ raise ValueError("数据文件为空或加载失败")
+
+ # 根据 store_id 和 product_id 进行过滤 (支持列表和单个ID)
+ if store_id:
+ if isinstance(store_id, list):
+ df = df[df['store_id'].isin(store_id)]
+ else:
+ df = df[df['store_id'] == store_id]
+
+ if product_id:
+ if isinstance(product_id, list):
+ df = df[df['product_id'].isin(product_id)]
+ else:
+ df = df[df['product_id'] == product_id]
+
+ if df.empty:
+ raise ValueError(f"根据所选店铺/产品过滤后无数据")
+
+ # 确定聚合后的实体名称
+ if store_id and not product_id:
+ grouping_entity_name = df['store_name'].iloc[0] if len(df['store_id'].unique()) == 1 else "多个店铺聚合"
+ elif product_id and not store_id:
+ grouping_entity_name = df['product_name'].iloc[0] if len(df['product_id'].unique()) == 1 else "多个产品聚合"
+ elif store_id and product_id:
+ grouping_entity_name = f"{df['store_name'].iloc[0]} - {df['product_name'].iloc[0]}" if len(df['store_id'].unique()) == 1 and len(df['product_id'].unique()) == 1 else "自定义聚合"
+ else:
+ grouping_entity_name = "全局聚合模型"
+
+ # 按日期聚合
+ agg_df = df.groupby('date').agg({
+ 'sales': aggregation_method,
+ 'temperature': 'mean',
+ 'is_holiday': 'max',
+ 'is_weekend': 'max',
+ 'is_promotion': 'max',
+ 'weekday': 'first',
+ 'month': 'first'
+ }).reset_index()
+
+ agg_df['product_name'] = grouping_entity_name
+
+ for col in ['is_holiday', 'is_weekend', 'is_promotion']:
+ if col not in agg_df:
+ agg_df[col] = 0
+
+ return agg_df
+
+ except Exception as e:
+ print(f"聚合数据失败: {e}")
+ return None
def get_sales_statistics(file_path: str = None,
store_id: Optional[str] = None,
diff --git a/server/utils/training_process_manager.py b/server/utils/training_process_manager.py
index d95cbcf..f0ea48a 100644
--- a/server/utils/training_process_manager.py
+++ b/server/utils/training_process_manager.py
@@ -45,6 +45,11 @@ class TrainingTask:
training_mode: str
store_id: Optional[str] = None
epochs: int = 100
+ product_scope: Optional[str] = 'all'
+ product_ids: Optional[list] = None
+ store_ids: Optional[list] = None
+ training_scope: Optional[str] = 'all_stores_all_products'
+ aggregation_method: Optional[str] = 'sum'
status: str = "pending" # pending, running, completed, failed
start_time: Optional[str] = None
end_time: Optional[str] = None
@@ -90,24 +95,6 @@ class TrainingWorker:
task.process_id = os.getpid()
self.result_queue.put(('update', asdict(task)))
- # 模拟训练进度更新
- for epoch in range(1, task.epochs + 1):
- progress = (epoch / task.epochs) * 100
-
- # 发送进度更新
- self.progress_queue.put({
- 'task_id': task.task_id,
- 'progress': progress,
- 'epoch': epoch,
- 'total_epochs': task.epochs,
- 'message': f"Epoch {epoch}/{task.epochs}"
- })
-
- training_logger.info(f"🔄 训练进度: Epoch {epoch}/{task.epochs} ({progress:.1f}%)")
-
- # 模拟训练时间
- time.sleep(1) # 实际训练中这里会是真正的训练代码
-
# 导入真正的训练函数
try:
# 添加服务器目录到路径，确保能找到core模块
@@ -144,11 +131,22 @@ class TrainingWorker:
epochs=task.epochs,
store_id=task.store_id,
training_mode=task.training_mode,
+ product_ids=task.product_ids,
+ product_scope=task.product_scope,
+ store_ids=task.store_ids,
+ training_scope=task.training_scope,
+ aggregation_method=task.aggregation_method,
socketio=None, # 子进程中不能直接使用socketio
task_id=task.task_id,
progress_callback=progress_callback # 传递进度回调函数
)
+ # 检查训练结果，如果为None，则表示训练失败
+ if metrics is None:
+ # predictor.py 已经记录了详细的错误日志
+ # 这里我们抛出异常，以触发通用的失败处理流程
+ raise ValueError("训练器未能成功返回结果，任务失败。请检查之前的日志获取详细错误信息。")
+
# 发送训练完成日志到主控制台
self.progress_queue.put({
'task_id': task.task_id,
@@ -156,12 +154,11 @@ class TrainingWorker:
'message': f"✅ {task.model_type} 模型训练完成！"
})
- if metrics:
- self.progress_queue.put({
- 'task_id': task.task_id,
- 'log_type': 'info',
- 'message': f"📊 训练指标: MSE={metrics.get('mse', 'N/A'):.4f}, RMSE={metrics.get('rmse', 'N/A'):.4f}"
- })
+ self.progress_queue.put({
+ 'task_id': task.task_id,
+ 'log_type': 'info',
+ 'message': f"📊 训练指标: MSE={metrics.get('mse', 'N/A'):.4f}, RMSE={metrics.get('rmse', 'N/A'):.4f}"
+ })
except ImportError as e:
training_logger.error(f"❌ 导入训练器失败: {e}")
# 返回模拟的训练结果用于测试
@@ -281,23 +278,34 @@ class TrainingProcessManager:
self.logger.info("✅ 训练进程管理器已停止")
- def submit_task(self, product_id: str, model_type: str, training_mode: str = "product",
- store_id: str = None, epochs: int = 100, **kwargs) -> str:
+ def submit_task(self, product_id: str, model_type: str, training_mode: str = "product",
+ store_id: Optional[str] = None, epochs: int = 100,
+ product_ids: Optional[list] = None,
+ product_scope: str = 'all',
+ store_ids: Optional[list] = None,
+ training_scope: str = 'all_stores_all_products',
+ aggregation_method: str = 'sum',
+ **kwargs) -> str:
"""提交训练任务"""
task_id = str(uuid.uuid4())
-
+
task = TrainingTask(
task_id=task_id,
product_id=product_id,
model_type=model_type,
training_mode=training_mode,
store_id=store_id,
- epochs=epochs
+ epochs=epochs,
+ product_ids=product_ids,
+ product_scope=product_scope,
+ store_ids=store_ids,
+ training_scope=training_scope,
+ aggregation_method=aggregation_method
)
-
+
with self.lock:
self.tasks[task_id] = task
-
+
# 将任务放入队列
self.task_queue.put(asdict(task))
diff --git a/xz修改记录日志和启动依赖.md b/xz修改记录日志和启动依赖.md
index 74e3b94..bb1dc8b 100644
--- a/xz修改记录日志和启动依赖.md
+++ b/xz修改记录日志和启动依赖.md
@@ -1,873 +1,39 @@
-### 根目录启动
-**1**:`uv venv`
-**2**:`uv pip install loguru numpy pandas torch matplotlib flask flask_cors flask_socketio flasgger scikit-learn tqdm pytorch_tcn pyarrow`
-**3**: `uv run .\server\api.py`
-### UI
-**1**:`npm install` `npm run dev`
+# 修改记录日志 (日期: 2025-07-16)
-# “预测分析”模块UI重构修改记录
+## 1. 核心 Bug 修复
-**任务目标**: 将原有的、通过下拉菜单切换模式的单一预测页面，重构为通过左侧子导航切换模式的多页面布局，使其UI结构与“模型训练”模块保持一致。
+### 文件: `server/core/predictor.py`
+- **问题**: 在 `train_model` 方法中调用内部辅助函数 `_prepare_training_params` 时，没有正确传递 `product_ids` 和 `store_ids` 参数，导致在 `_prepare_training_params` 内部发生 `NameError`。
+- **修复**:
+ - 修正了 `train_model` 方法内部对 `_prepare_training_params` 的调用，确保 `product_ids` 和 `store_ids` 被显式传递。
+ - 此前已修复 `train_model` 的函数签名，使其能正确接收 `store_ids`。
+- **结果**: 彻底解决了训练流程中的参数传递问题，根除了由此引发的 `NameError`。
-### 后端修复 (2025-07-13)
+## 2. 代码清理与重构
-**任务目标**: 解决模型训练时因数据文件路径错误导致的数据加载失败问题。
+### 文件: `server/api.py`
-- **核心问题**: `server/core/predictor.py` 中的 `PharmacyPredictor` 类初始化时，硬编码了错误的默认数据文件路径 (`'pharmacy_sales_multi_store.csv'`)。
-- **修复方案**:
- 1. 修改 `server/core/predictor.py`，将默认数据路径更正为 `'data/timeseries_training_data_sample_10s50p.parquet'`。
- 2. 同步更新了 `server/trainers/mlstm_trainer.py` 中所有对数据加载函数的调用，确保使用正确的文件路径。
-- **结果**: 彻底解决了在独立训练进程中数据加载失败的问题。
+- **内容**: 移除了在 `start_training` API 端点中遗留的旧版、基于线程（`threading.Thread`）的训练逻辑。
+- **原因**: 该代码块已被新的、基于多进程（`multiprocessing`）的 `TrainingProcessManager` 完全取代。旧代码中包含了大量用于调试的 `thread_safe_print` 日志，已无用处。
+- **结果**: `start_training` 端点的逻辑变得更加清晰，只负责参数校验和向 `TrainingProcessManager` 提交任务。
----
-### 后端修复 (2025-07-13) - 数据流重构
+### 文件: `server/utils/training_process_manager.py`
-**任务目标**: 解决因数据处理流程中断导致 `sales` 和 `price` 关键特征丢失，从而引发模型训练失败的根本问题。
+- **内容**: 在 `TrainingWorker` 的 `run_training_task` 方法中，移除了一个用于模拟训练进度的 `for` 循环。
+- **原因**: 该循环包含 `time.sleep(1)`，仅用于在没有实际训练逻辑时模拟进度更新，现在实际的训练器会通过回调函数报告真实进度，因此该模拟代码不再需要。
+- **结果**: `TrainingWorker` 现在直接调用实际的训练器，不再有模拟延迟，代码更贴近生产环境。
-- **核心问题**:
- 1. `server/core/predictor.py` 中的 `train_model` 方法在调用训练器（如 `train_product_model_with_mlstm`）时，没有将预处理好的数据传递过去。
- 2. `server/trainers/mlstm_trainer.py` 因此被迫重新加载和处理数据，但其使用的数据标准化函数 `standardize_column_names` 存在逻辑缺陷，导致关键列丢失。
+## 3. 启动依赖
-- **修复方案 (数据流重构)**:
- 1. **修改 `server/trainers/mlstm_trainer.py`**:
- - 重构 `train_product_model_with_mlstm` 函数，使其能够接收一个预处理好的 DataFrame (`product_df`) 作为参数。
- - 移除了函数内部所有的数据加载和重复处理逻辑。
- 2. **修改 `server/core/predictor.py`**:
- - 在 `train_model` 方法中，将已经加载并处理好的 `product_data` 作为参数，显式传递给 `train_product_model_with_mlstm` 函数。
- 3. **修改 `server/utils/multi_store_data_utils.py`**:
- - 在 `standardize_column_names` 函数中，使用 Pandas 的 `rename` 方法强制进行列名转换，确保 `quantity_sold` 和 `unit_price` 被可靠地重命名为 `sales` 和 `price`。
-
-- **结果**: 彻底修复了数据处理流程，确保数据只被加载和标准化一次，并被正确传递，从根本上解决了模型训练失败的问题。
----
-
-### 第一次重构 (多页面、双栏布局)
-
-- **新增文件**:
- - `UI/src/views/prediction/ProductPredictionView.vue`
- - `UI/src/views/prediction/StorePredictionView.vue`
- - `UI/src/views/prediction/GlobalPredictionView.vue`
-- **修改文件**:
- - `UI/src/router/index.js`: 添加了指向新页面的路由。
- - `UI/src/App.vue`: 将“预测分析”修改为包含三个子菜单的父菜单。
-
----
-
-### 第二次重构 (基于用户反馈的单页面布局)
-
-**任务目标**: 统一三个预测子页面的布局，采用旧的单页面预测样式，并将导航功能与页面内容解耦。
-
-- **修改文件**:
- - **`UI/src/views/prediction/ProductPredictionView.vue`**:
- - **内容**: 使用 `UI/src/views/NewPredictionView.vue` 的布局进行替换。
- - **逻辑**: 移除了“模型训练方式”选择器，并将该页面的预测模式硬编码为 `product`。
- - **`UI/src/views/prediction/StorePredictionView.vue`**:
- - **内容**: 使用 `UI/src/views/NewPredictionView.vue` 的布局进行替换。
- - **逻辑**: 移除了“模型训练方式”选择器，并将该页面的预测模式硬编码为 `store`。
- - **`UI/src/views/prediction/GlobalPredictionView.vue`**:
- - **内容**: 使用 `UI/src/views/NewPredictionView.vue` 的布局进行替换。
- - **逻辑**: 移除了“模型训练方式”及特定目标选择器，并将该页面的预测模式硬编码为 `global`。
-
----
-
-**总结**: 通过两次重构，最终实现了使用左侧导航栏切换预测模式，同时右侧内容区域保持统一、简洁的单页面布局，完全符合用户的最终要求。
-
-
-
-
-
-
----
-**按药品训练修改**
-**日期**: 2025-07-14
-**文件**: `server/trainers/mlstm_trainer.py`
-**问题**: 模型训练因 `KeyError: "['sales', 'price'] not in index"` 失败。
-**分析**:
-1. `'price'` 列在提供的数据中不存在，导致 `KeyError`。
-2. `'sales'` 列作为历史输入（自回归特征）对于模型训练是必要的。
-**解决方案**: 从 `mlstm_trainer` 的特征列表中移除了不存在的 `'price'` 列，保留了 `'sales'` 列用于自回归。
-
----
-**日期**: 2025-07-14 (补充)
-**文件**:
-* `server/trainers/transformer_trainer.py`
-* `server/trainers/tcn_trainer.py`
-* `server/trainers/kan_trainer.py`
-**问题**: 预防性修复。这些文件存在与 `mlstm_trainer.py` 相同的 `KeyError` 隐患。
-**分析**: 经过检查，这些训练器与 `mlstm_trainer` 共享相同的数据处理逻辑，其硬编码的特征列表中都包含了不存在的 `'price'` 列。
-**解决方案**: 统一从所有相关训练器的特征列表中移除了 `'price'` 列，以确保所有模型训练的健壮性。
-
----
-**日期**: 2025-07-14 (深度修复)
-**文件**: `server/utils/multi_store_data_utils.py`
-**问题**: 追踪 `KeyError: "['sales'] not in index"` 时，发现数据标准化流程存在多个问题。
-**分析**:
-1. 通过 `uv run` 读取了 `.parquet` 数据文件，确认了原始列名。
-2. 发现 `standardize_column_names` 函数中的重命名映射与原始列名不匹配 (例如 `quantity_sold` vs `sales_quantity`)。
-3. 确认了原始数据中没有 `price` 列，但代码中存在对它的依赖。
-4. 函数缺乏一个明确的返回列选择机制，导致 `sales` 列在数据准备阶段被意外丢弃。
-**解决方案**:
-1. 修正了 `rename_map` 以正确匹配原始数据列名 (`sales_quantity` -> `sales`, `temperature_2m_mean` -> `temperature`, `dayofweek` -> `weekday`)。
-2. 移除了对不存在的 `price` 列的依赖。
-3. 在函数末尾添加了逻辑，确保返回的 `DataFrame` 包含所有模型训练所需的标准列（特征 + 目标），保证了数据流的稳定性。
-4. 原始数据列名:['date', 'store_id', 'product_id', 'sales_quantity', 'sales_amount', 'gross_profit', 'customer_traffic', 'store_name', 'city', 'product_name', 'manufacturer', 'category_l1', 'category_l2', 'category_l3', 'abc_category', 'temperature_2m_mean', 'temperature_2m_max', 'temperature_2m_min', 'year', 'month', 'day', 'dayofweek', 'dayofyear', 'weekofyear', 'is_weekend', 'sl_lag_7', 'sl_lag_14', 'sl_rolling_mean_7', 'sl_rolling_std_7', 'sl_rolling_mean_14', 'sl_rolling_std_14']
-
----
-**日期**: 2025-07-14 10:16
-**主题**: 修复模型训练中的 `KeyError` 及数据流问题 (详细版)
-
-### 阶段一：修复训练器层 `KeyError`
-
-* **问题**: 模型训练因 `KeyError: "['sales', 'price'] not in index"` 失败。
-* **分析**: 训练器硬编码的特征列表中包含了数据源中不存在的 `'price'` 列。
-* **涉及文件**:
- * `server/trainers/mlstm_trainer.py`
- * `server/trainers/transformer_trainer.py`
- * `server/trainers/tcn_trainer.py`
- * `server/trainers/kan_trainer.py`
-* **修改详情**:
- * **位置**: 每个训练器文件中的 `features` 列表定义处。
- * **操作**: 修改。
- * **内容**:
- ```diff
- - features = ['sales', 'price', 'weekday', 'month', 'is_holiday', 'is_weekend', 'is_promotion', 'temperature']
- + features = ['sales', 'weekday', 'month', 'is_holiday', 'is_weekend', 'is_promotion', 'temperature']
- ```
- * **原因**: 移除对不存在的 `'price'` 列的依赖，解决 `KeyError`。
-
-### 阶段二：修复数据标准化层
-
-* **问题**: 修复后出现新错误 `KeyError: "['sales'] not in index"`，表明数据标准化流程存在缺陷。
-* **分析**: 通过 `uv run` 读取 `.parquet` 文件确认，`standardize_column_names` 函数中的列名映射错误，且缺少最终列选择机制。
-* **涉及文件**: `server/utils/multi_store_data_utils.py`
-* **修改详情**:
- 1. **位置**: `standardize_column_names` 函数, `rename_map` 字典。
- * **操作**: 修改。
- * **内容**:
- ```diff
- - rename_map = { 'quantity_sold': 'sales', 'unit_price': 'price', 'day_of_week': 'weekday' }
- + rename_map = { 'sales_quantity': 'sales', 'temperature_2m_mean': 'temperature', 'dayofweek': 'weekday' }
- ```
- * **原因**: 修正键名以匹配数据源的真实列名 (`sales_quantity`, `temperature_2m_mean`, `dayofweek`)。
- 2. **位置**: `standardize_column_names` 函数, `sales_amount` 计算部分。
- * **操作**: 修改 (注释)。
- * **内容**:
- ```diff
- - if 'sales_amount' not in df.columns and 'sales' in df.columns and 'price' in df.columns:
- - df['sales_amount'] = df['sales'] * df['price']
- + # 由于没有price列，sales_amount的计算逻辑需要调整或移除
- + # if 'sales_amount' not in df.columns and 'sales' in df.columns and 'price' in df.columns:
- + # df['sales_amount'] = df['sales'] * df['price']
- ```
- * **原因**: 避免因缺少 `'price'` 列而导致潜在错误。
- 3. **位置**: `standardize_column_names` 函数, `numeric_columns` 列表。
- * **操作**: 删除。
- * **内容**:
- ```diff
- - numeric_columns = ['sales', 'price', 'sales_amount', 'weekday', 'month', 'temperature']
- + numeric_columns = ['sales', 'sales_amount', 'weekday', 'month', 'temperature']
- ```
- * **原因**: 从数值类型转换列表中移除不存在的 `'price'` 列。
- 4. **位置**: `standardize_column_names` 函数, `return` 语句前。
- * **操作**: 增加。
- * **内容**:
- ```diff
- + # 定义模型训练所需的所有列（特征 + 目标）
- + final_columns = [
- + 'date', 'sales', 'product_id', 'product_name', 'store_id', 'store_name',
- + 'weekday', 'month', 'is_holiday', 'is_weekend', 'is_promotion', 'temperature'
- + ]
- + # 筛选出DataFrame中实际存在的列
- + existing_columns = [col for col in final_columns if col in df.columns]
- + # 返回只包含这些必需列的DataFrame
- + return df[existing_columns]
- ```
- * **原因**: 增加列选择机制，确保函数返回的 `DataFrame` 结构统一且包含 `sales` 列，从根源上解决 `KeyError: "['sales'] not in index"`。
-
-### 阶段三：修复数据流分发层
-
-* **问题**: `predictor.py` 未将处理好的数据统一传递给所有训练器。
-* **分析**: `train_model` 方法中，只有 `mlstm` 的调用传递了 `product_df`，其他模型则没有，导致它们重新加载未处理的数据。
-* **涉及文件**: `server/core/predictor.py`
-* **修改详情**:
- * **位置**: `train_model` 方法中对 `train_product_model_with_transformer`, `_tcn`, `_kan` 的调用处。
- * **操作**: 增加。
- * **内容**: 在函数调用中增加了 `product_df=product_data` 参数。
- ```diff
- - model_result, metrics, actual_version = train_product_model_with_transformer(product_id, ...)
- + model_result, metrics, actual_version = train_product_model_with_transformer(product_id=product_id, product_df=product_data, ...)
- ```
- *(对 `tcn` 和 `kan` 的调用也做了类似修改)*
- * **原因**: 统一数据流，确保所有训练器都使用经过正确预处理的、包含完整信息的 `DataFrame`。
-
-### 阶段四：适配训练器以接收数据
-
-* **问题**: `transformer`, `tcn`, `kan` 训练器需要能接收上游传来的数据。
-* **分析**: 需要修改这三个训练器的函数签名和内部逻辑，使其在接收到 `product_df` 时跳过数据加载。
-* **涉及文件**: `server/trainers/transformer_trainer.py`, `tcn_trainer.py`, `kan_trainer.py`
-* **修改详情**:
- 1. **位置**: 每个训练器主函数的定义处。
- * **操作**: 增加。
- * **内容**: 在函数参数中增加了 `product_df=None`。
- ```diff
- - def train_product_model_with_transformer(product_id, ...)
- + def train_product_model_with_transformer(product_id, product_df=None, ...)
- ```
- 2. **位置**: 每个训练器内部的数据加载逻辑处。
- * **操作**: 增加。
- * **内容**: 增加了 `if product_df is None:` 的判断逻辑，只有在未接收到数据时才执行内部加载。
- ```diff
- + if product_df is None:
- - # 根据训练模式加载数据
- - from utils.multi_store_data_utils import load_multi_store_data
- - ...
- + # [原有的数据加载逻辑]
- + else:
- + # 如果传入了product_df，直接使用
- + ...
- ```
- * **原因**: 完成数据流修复的最后一环，使训练器能够灵活地接收外部数据或自行加载，彻底解决问题。
-
----
-**日期**: 2025-07-14 10:38
-**主题**: 修复因NumPy类型导致的JSON序列化失败问题
-
-### 阶段五：修复前后端通信层
-
-* **问题**: 模型训练成功后，后端向前端发送包含训练指标（metrics）的WebSocket消息或API响应时失败，导致前端状态无法更新为“已完成”。
-* **日志错误**: `Object of type float32 is not JSON serializable`
-* **分析**: 训练过程产生的评估指标（如 `mse`, `rmse`）是NumPy的 `float32` 类型。Python标准的 `json` 库无法直接序列化这种类型，导致在通过WebSocket或HTTP API发送数据时出错。
-* **涉及文件**: `server/utils/training_process_manager.py`
-* **修改详情**:
- 1. **位置**: 文件顶部。
- * **操作**: 增加。
- * **内容**:
- ```python
- import numpy as np
-
- def convert_numpy_types(obj):
- """递归地将字典/列表中的NumPy类型转换为Python原生类型"""
- if isinstance(obj, dict):
- return {k: convert_numpy_types(v) for k, v in obj.items()}
- elif isinstance(obj, list):
- return [convert_numpy_types(i) for i in obj]
- elif isinstance(obj, np.generic):
- return obj.item()
- return obj
- ```
- * **原因**: 添加一个通用的辅助函数，用于将包含NumPy类型的数据结构转换为JSON兼容的格式。
- 2. **位置**: `_monitor_results` 方法内部，调用 `self.websocket_callback` 之前。
- * **操作**: 增加。
- * **内容**:
- ```diff
- + serializable_task_data = convert_numpy_types(task_data)
- - self.websocket_callback('training_update', { ... 'metrics': task_data.get('metrics'), ... })
- + self.websocket_callback('training_update', { ... 'metrics': serializable_task_data.get('metrics'), ... })
- ```
- * **原因**: 在通过WebSocket发送数据之前，调用 `convert_numpy_types` 函数对包含训练结果的 `task_data` 进行处理，确保所有 `float32` 等类型都被转换为Python原生的 `float`，从而解决序列化错误。
-
-**总结**: 通过在数据发送前进行类型转换，彻底解决了前后端通信中的序列化问题，确保了训练状态能够被正确地更新到前端。
-
----
-**日期**: 2025-07-14 11:04
-**主题**: 根治JSON序列化问题
-
-### 阶段六：修复API层序列化错误
-
-* **问题**: 在修复WebSocket的序列化问题后，发现直接轮询 `GET /api/training` 接口时，仍然出现 `Object of type float32 is not JSON serializable` 错误。
-* **分析**: 上一阶段的修复只转换了准备通过WebSocket发送的数据，但没有转换**存放在 `TrainingProcessManager` 内部 `self.tasks` 字典中的数据**。因此，当API通过 `get_all_tasks()` 方法读取这个字典时，获取到的仍然是包含NumPy类型的原始数据，导致 `jsonify` 失败。
-* **涉及文件**: `server/utils/training_process_manager.py`
-* **修改详情**:
- * **位置**: `_monitor_results` 方法，从 `result_queue` 获取数据之后。
- * **操作**: 调整逻辑。
- * **内容**:
- ```diff
- - with self.lock:
- - # ... 更新 self.tasks ...
- - if self.websocket_callback:
- - serializable_task_data = convert_numpy_types(task_data)
- - # ... 使用 serializable_task_data 发送消息 ...
- + # 立即对从队列中取出的数据进行类型转换
- + serializable_task_data = convert_numpy_types(task_data)
- + with self.lock:
- + # 使用转换后的数据更新任务状态
- + for key, value in serializable_task_data.items():
- + setattr(self.tasks[task_id], key, value)
- + # WebSocket通知 - 使用已转换的数据
- + if self.websocket_callback:
- + # ... 使用 serializable_task_data 发送消息 ...
- ```
- * **原因**: 将类型转换的步骤提前，确保存入 `self.tasks` 的数据已经是JSON兼容的。这样，无论是通过WebSocket推送还是通过API查询，获取到的都是安全的数据，从根源上解决了所有序列化问题。
-
-**最终总结**: 至此，所有已知的数据流和数据类型问题均已解决。
-
----
-**日期**: 2025-07-14 11:15
-**主题**: 修复模型评估中的MAPE计算错误
-
-### 阶段七：修复评估指标计算
-
-* **问题**: 训练 `transformer` 模型时，日志显示 `MAPE: nan%` 并伴有 `RuntimeWarning: Mean of empty slice.`。
-* **分析**: `MAPE` (平均绝对百分比误差) 的计算涉及除以真实值。当测试集中的所有真实销量（`y_true`）都为0时，用于避免除零错误的 `mask` 会导致一个空数组被传递给 `np.mean()`，从而产生 `nan` 和运行时警告。
-* **涉及文件**: `server/analysis/metrics.py`
-* **修改详情**:
- * **位置**: `evaluate_model` 函数中计算 `mape` 的部分。
- * **操作**: 增加条件判断。
- * **内容**:
- ```diff
- - mask = y_true != 0
- - mape = np.mean(np.abs((y_true[mask] - y_pred[mask]) / y_true[mask])) * 100
- + mask = y_true != 0
- + if np.any(mask):
- + mape = np.mean(np.abs((y_true[mask] - y_pred[mask]) / y_true[mask])) * 100
- + else:
- + # 如果所有真实值都为0，无法计算MAPE，返回0
- + mape = 0.0
- ```
- * **原因**: 在计算MAPE之前，先检查是否存在任何非零的真实值。如果不存在，则直接将MAPE设为0，避免了对空数组求平均值，从而解决了 `nan` 和 `RuntimeWarning` 的问题。
-
-## 2025-07-14 11:41：修复“按店铺训练”页面店铺列表加载失败问题
-
-**问题描述：**
-在“模型训练” -> “按店铺训练”页面中，“选择店铺”的下拉列表为空，无法加载任何店铺信息。
-
-**根本原因：**
-位于 `server/utils/multi_store_data_utils.py` 的 `standardize_column_names` 函数在标准化数据后，错误地移除了包括店铺元数据在内的非训练必需列。这导致调用该函数的 `get_available_stores` 函数无法获取到完整的店铺信息，最终返回一个空列表。
-
-**解决方案：**
-本着最小改动和保持代码清晰的原则，我进行了以下重构：
-
-1. **净化 `standardize_column_names` 函数**：移除了其中所有与列筛选相关的代码，使其只专注于数据标准化这一核心职责。
-2. **精确应用筛选逻辑**：将列筛选的逻辑精确地移动到了 `get_store_product_sales_data` 和 `aggregate_multi_store_data` 这两个为模型训练准备数据的函数中。这确保了只有在需要为模型准备数据时，才会执行列筛选。
-3. **增强 `get_available_stores` 函数**：由于 `load_multi_store_data` 现在可以返回所有列，`get_available_stores` 将能够正常工作。同时，我增强了其代码的健壮性，以优雅地处理数据文件中可能存在的列缺失问题。
-
-**代码变更：**
-- **文件：** `server/utils/multi_store_data_utils.py`
-- **主要改动：**
- - 从 `standardize_column_names` 中移除列筛选逻辑。
- - 在 `get_store_product_sales_data` 和 `aggregate_multi_store_data` 中添加列筛选逻辑。
- - 重写 `get_available_stores` 以更健壮地处理数据。
-
----
-**日期**: 2025-07-14 13:00
-**主题**: 修复“按店铺训练-所有药品”模式下的训练失败问题
-
-### 问题描述
-在“模型训练” -> “按店铺训练”页面，当选择“所有药品”进行训练时，后端日志显示 `获取店铺产品数据失败: 没有找到店铺 [store_id] 产品 unknown 的销售数据`，导致训练任务失败。
-
-### 根本原因
-1. **API层**: `server/api.py` 在处理来自前端的训练请求时，如果 `product_id` 为 `null`（对应“所有药品”选项），会执行 `product_id or "unknown"`，错误地将产品ID设置为字符串 `"unknown"`。
-2. **预测器层**: `server/core/predictor.py` 中的 `train_model` 方法接收到无效的 `product_id="unknown"` 后，尝试使用它来获取数据，但数据源中不存在ID为“unknown”的产品，导致数据加载失败。
-3. **数据工具层**: `server/utils/multi_store_data_utils.py` 中的 `aggregate_multi_store_data` 函数只支持按产品ID进行全局聚合，不支持按店铺ID聚合其下所有产品的数据。
-
-### 解决方案 (保留"unknown"字符串)
-为了在不改变API层行为的前提下解决问题，采用了在下游处理这个特殊值的策略：
-
-1. **修改 `server/core/predictor.py`**:
- * **位置**: `train_model` 方法。
- * **操作**: 增加了对 `product_id == 'unknown'` 的特殊处理逻辑。
- * **内容**:
- ```python
- # 如果product_id是'unknown'，则表示为店铺所有商品训练一个聚合模型
- if product_id == 'unknown':
- try:
- # 使用聚合函数，按店铺聚合
- product_data = aggregate_multi_store_data(
- store_id=store_id,
- aggregation_method=aggregation_method,
- file_path=self.data_path
- )
- # 将product_id设置为店铺ID，以便模型保存时使用有意义的标识
- product_id = store_id
- except Exception as e:
- # ... 错误处理 ...
- else:
- # ... 原有的按单个产品获取数据的逻辑 ...
- ```
- * **原因**: 在预测器层面拦截无效的 `"unknown"` ID，并将其意图正确地转换为“聚合此店铺的所有产品数据”。同时，将 `product_id` 重新赋值为 `store_id`，确保了后续模型保存时能使用一个唯一且有意义的名称（如 `store_01010023_mlstm_v1.pth`）。
-
-2. **修改 `server/utils/multi_store_data_utils.py`**:
- * **位置**: `aggregate_multi_store_data` 函数。
- * **操作**: 重构函数签名和内部逻辑。
- * **内容**:
- ```python
- def aggregate_multi_store_data(product_id: Optional[str] = None,
- store_id: Optional[str] = None,
- aggregation_method: str = 'sum',
- ...)
- # ...
- if store_id:
- # 店铺聚合：加载该店铺的所有数据
- df = load_multi_store_data(file_path, store_id=store_id)
- # ...
- elif product_id:
- # 全局聚合：加载该产品的所有数据
- df = load_multi_store_data(file_path, product_id=product_id)
- # ...
- else:
- raise ValueError("必须提供 product_id 或 store_id")
- ```
- * **原因**: 扩展了数据聚合函数的功能，使其能够根据传入的 `store_id` 参数，加载并聚合特定店铺的所有销售数据，为店铺级别的综合模型训练提供了数据基础。
-
-**最终结果**: 通过这两处修改，系统现在可以正确处理“按店铺-所有药品”的训练请求。它会聚合该店铺所有产品的销售数据，训练一个综合模型，并以店铺ID为标识来保存该模型，彻底解决了该功能点的训练失败问题。
-
----
-**日期**: 2025-07-14 14:19
-**主题**: 修复并发训练中的稳定性和日志错误
-
-### 阶段八：修复并发训练中的多个错误
-
-* **问题**: 在并发执行多个训练任务时，系统出现 `JSON序列化错误`、`API列表排序错误` 和 `WebSocket连接错误`。
-* **分析**:
- 1. **`Object of type float32 is not JSON serializable`**: `training_process_manager.py` 在通过WebSocket发送**中途**的训练进度时，没有对包含NumPy `float32` 类型的 `metrics` 数据进行序列化。
- 2. **`'<' not supported between instances of 'str' and 'NoneType'`**: `api.py` 在获取训练任务列表时，对 `start_time` 进行排序，但未处理某些任务的 `start_time` 可能为 `None` 的情况，导致 `TypeError`。
- 3. **`AssertionError: write() before start_response`**: `api.py` 中，当以 `debug=True` 模式运行时，Flask内置的Werkzeug服务器的调试器与Socket.IO的连接管理机制发生冲突。
-* **解决方案**:
- 1. **文件**: `server/utils/training_process_manager.py`
- * **位置**: `_monitor_progress` 方法。
- * **操作**: 在发送 `training_progress` 事件前，调用 `convert_numpy_types` 函数对 `progress_data` 进行完全序列化。
- * **原因**: 确保所有通过WebSocket发送的数据（包括中途进度）都是JSON兼容的，彻底解决序列化问题。
- 2. **文件**: `server/api.py`
- * **位置**: `get_all_training_tasks` 函数。
- * **操作**: 修改 `sorted` 函数的 `key`，使用 `lambda x: x.get('start_time') or '1970-01-01 00:00:00'`。
- * **原因**: 为 `None` 类型的 `start_time` 提供一个有效的默认值，使其可以和字符串类型的日期进行安全比较，解决了排序错误。
- 3. **文件**: `server/api.py`
- * **位置**: `socketio.run()` 调用处。
- * **操作**: 增加 `allow_unsafe_werkzeug=True if args.debug else False` 参数。
- * **原因**: 这是 `Flask-SocketIO` 官方推荐的解决方案，用于在调试模式下协调Werkzeug与Socket.IO的事件循环，避免底层WSGI错误。
-
-**最终结果**: 通过这三项修复，系统的并发稳定性和健壮性得到显著提升，解决了在高并发训练场景下出现的各类错误。
-
----
-**日期**: 2025-07-14 14:48
-**主题**: 修复模型评估指标计算错误并优化训练过程
-
-### 阶段九：修复模型评估与训练优化
-
-* **问题**: 所有模型训练完成后，评估指标 `R²` 始终为0.0，`MAPE` 始终为0.00%，这表明模型评估或训练过程存在严重问题。
-* **分析**:
- 1. **核心错误**: 在 `mlstm_trainer.py` 和 `transformer_trainer.py` 中，计算损失函数时，模型输出 `outputs` 的维度是 `(batch_size, forecast_horizon)`，而目标 `y_batch` 的维度被错误地通过 `unsqueeze(-1)` 修改为 `(batch_size, forecast_horizon, 1)`。这种维度不匹配导致损失计算错误，模型无法正确学习。
- 2. **优化缺失**: 训练过程中缺少学习率调度、梯度裁剪和提前停止等关键的优化策略，影响了训练效率和稳定性。
-* **解决方案**:
- 1. **修复维度不匹配 (关键修复)**:
- * **文件**: `server/trainers/mlstm_trainer.py`, `server/trainers/transformer_trainer.py`
- * **位置**: 训练和验证循环中的损失计算部分。
- * **操作**: 移除了对 `y_batch` 的 `unsqueeze(-1)` 操作，确保 `outputs` 和 `y_batch` 维度一致。
- ```diff
- - loss = criterion(outputs, y_batch.unsqueeze(-1))
- + loss = criterion(outputs, y_batch.squeeze(-1) if y_batch.dim() == 3 else y_batch)
- ```
- * **原因**: 修正损失函数的输入，使模型能够根据正确的误差进行学习，从而解决评估指标恒为0的问题。
- 2. **增加训练优化策略**:
- * **文件**: `server/trainers/mlstm_trainer.py`, `server/trainers/transformer_trainer.py`
- * **操作**: 在两个训练器中增加了以下功能：
- * **学习率调度器**: 引入 `torch.optim.lr_scheduler.ReduceLROnPlateau`，当测试损失停滞时自动降低学习率。
- * **梯度裁剪**: 在优化器更新前，使用 `torch.nn.utils.clip_grad_norm_` 对梯度进行裁剪，防止梯度爆炸。
- * **提前停止**: 增加了 `patience` 参数，当测试损失连续多个epoch未改善时，提前终止训练，防止过拟合。
- * **原因**: 引入这些业界标准的优化技术，可以显著提高训练过程的稳定性、收敛速度和最终的模型性能。
-
-**最终结果**: 通过修复核心的逻辑错误并引入多项优化措施，模型现在不仅能够正确学习，而且训练过程更加健壮和高效。
-
----
-**日期**: 2025-07-14 15:20
-**主题**: 根治模型维度错误并统一数据流 (完整调试过程)
-
-### 阶段九：错误的修复尝试 (记录备查)
-
-* **问题**: 所有模型训练完成后，评估指标 `R²` 始终为0.0，`MAPE` 始终为0.00%。
-* **初步分析**: 怀疑损失函数计算时，`outputs` 和 `y_batch` 维度不匹配。
-* **错误的假设**: 当时错误地认为是 `y_batch` 的维度有问题，而 `outputs` 的维度是正确的。
-* **错误的修复**:
- * **文件**: `server/trainers/mlstm_trainer.py`, `server/trainers/transformer_trainer.py`
- * **操作**: 尝试在训练器层面使用 `squeeze` 调整 `y_batch` 的维度来匹配 `outputs`。
- ```diff
- - loss = criterion(outputs, y_batch)
- + loss = criterion(outputs, y_batch.squeeze(-1) if y_batch.dim() == 3 else y_batch)
- ```
-* **结果**: 此修改导致了新的运行时错误 `UserWarning: Using a target size (torch.Size([32, 3])) that is different to the input size (torch.Size([32, 3, 1]))`，证明了修复方向错误，但帮助定位了问题的真正根源。
-
-### 阶段十：根治维度不匹配问题
-
-* **问题**: 深入分析阶段九的错误后，确认了问题的根源。
-* **根本原因**: `server/models/mlstm_model.py` 中的 `MLSTMTransformer` 模型，其 `forward` 方法的最后一层输出了一个多余的维度，导致其输出形状为 `(B, H, 1)`，而并非期望的 `(B, H)`。
-* **正确的解决方案 (端到端维度一致性)**:
- 1. **修复模型层 (治本)**:
- * **文件**: `server/models/mlstm_model.py`
- * **位置**: `MLSTMTransformer` 的 `forward` 方法。
- * **操作**: 在 `output_layer` 之后增加 `.squeeze(-1)`，将模型输出的维度从 `(B, H, 1)` 修正为 `(B, H)`。
- ```diff
- - return self.output_layer(decoder_outputs)
- + return self.output_layer(decoder_outputs).squeeze(-1)
- ```
- 2. **净化训练器层 (治标)**:
- * **文件**: `server/trainers/mlstm_trainer.py`, `server/trainers/transformer_trainer.py`
- * **操作**: 撤销了阶段九的错误修改，恢复为最直接的损失计算 `loss = criterion(outputs, y_batch)`。
- 3. **优化评估逻辑**:
- * **文件**: `server/trainers/mlstm_trainer.py`, `server/trainers/transformer_trainer.py`
- * **操作**: 简化了模型评估部分的反归一化逻辑，使其更清晰、更直接地处理 `(样本数, 预测步长)` 形状的数据。
- ```diff
- - test_pred_inv = scaler_y.inverse_transform(test_pred.reshape(-1, 1)).flatten()
- - test_true_inv = scaler_y.inverse_transform(testY.reshape(-1, 1)).flatten()
- + test_pred_inv = scaler_y.inverse_transform(test_pred)
- + test_true_inv = scaler_y.inverse_transform(test_true)
- ```
-
-**最终结果**: 通过记录整个调试过程，我们不仅修复了问题，还理解了其根本原因。通过在模型源头修正维度，并在整个数据流中保持维度一致性，彻底解决了训练失败的问题。代码现在更简洁、健壮，并遵循了良好的设计实践。
-
----
-**日期**: 2025-07-14 15:30
-**主题**: 根治模型维度错误并统一数据流 (完整调试过程)
-
-### 阶段九：错误的修复尝试 (记录备查)
-
-* **问题**: 所有模型训练完成后，评估指标 `R²` 始终为0.0，`MAPE` 始终为0.00%。
-* **初步分析**: 怀疑损失函数计算时，`outputs` 和 `y_batch` 维度不匹配。
-* **错误的假设**: 当时错误地认为是 `y_batch` 的维度有问题，而 `outputs` 的维度是正确的。
-* **错误的修复**:
- * **文件**: `server/trainers/mlstm_trainer.py`, `server/trainers/transformer_trainer.py`
- * **操作**: 尝试在训练器层面使用 `squeeze` 调整 `y_batch` 的维度来匹配 `outputs`。
- ```diff
- - loss = criterion(outputs, y_batch)
- + loss = criterion(outputs, y_batch.squeeze(-1) if y_batch.dim() == 3 else y_batch)
- ```
-* **结果**: 此修改导致了新的运行时错误 `UserWarning: Using a target size (torch.Size([32, 3])) that is different to the input size (torch.Size([32, 3, 1]))`，证明了修复方向错误，但帮助定位了问题的真正根源。
-
-### 阶段十：根治维度不匹配问题
-
-* **问题**: 深入分析阶段九的错误后，确认了问题的根源在于模型输出维度。
-* **根本原因**: `server/models/mlstm_model.py` 中的 `MLSTMTransformer` 模型，其 `forward` 方法的最后一层输出了一个多余的维度，导致其输出形状为 `(B, H, 1)`，而并非期望的 `(B, H)`。
-* **正确的解决方案 (端到端维度一致性)**:
- 1. **修复模型层 (治本)**:
- * **文件**: `server/models/mlstm_model.py`
- * **位置**: `MLSTMTransformer` 的 `forward` 方法。
- * **操作**: 在 `output_layer` 之后增加 `.squeeze(-1)`，将模型输出的维度从 `(B, H, 1)` 修正为 `(B, H)`。
- 2. **净化训练器层 (治标)**:
- * **文件**: `server/trainers/mlstm_trainer.py`, `server/trainers/transformer_trainer.py`
- * **操作**: 撤销了阶段九的错误修改，恢复为最直接的损失计算 `loss = criterion(outputs, y_batch)`。
- 3. **优化评估逻辑**:
- * **文件**: `server/trainers/mlstm_trainer.py`, `server/trainers/transformer_trainer.py`
- * **操作**: 简化了模型评估部分的反归一化逻辑，使其更清晰、更直接地处理 `(样本数, 预测步长)` 形状的数据。
-
-### 阶段十一：最终修复与逻辑统一
-
-* **问题**: 在应用阶段十的修复后，训练仍然失败。mLSTM出现维度反转错误 (`target size (B, H, 1)` vs `input size (B, H)`)，而Transformer则出现评估错误 (`'numpy.ndarray' object has no attribute 'numpy'`)。
-* **分析**:
- 1. **维度反转根源**: 问题的最终根源在 `server/utils/data_utils.py` 的 `create_dataset` 函数。它在创建目标数据集 `dataY` 时，错误地保留了一个多余的维度，导致 `y_batch` 的形状变为 `(B, H, 1)`。
- 2. **评估Bug**: 在 `mlstm_trainer.py` 和 `transformer_trainer.py` 的评估部分，代码 `test_true = testY.numpy()` 是错误的，因为 `testY` 已经是Numpy数组。
-* **最终解决方案 (端到端修复)**:
- 1. **修复数据加载层 (治本)**:
- * **文件**: `server/utils/data_utils.py`
- * **位置**: `create_dataset` 函数。
- * **操作**: 修改 `dataY.append(y)` 为 `dataY.append(y.flatten())`，从源头上确保 `y` 标签的维度是正确的 `(B, H)`。
- 2. **修复训练器评估层**:
- * **文件**: `server/trainers/mlstm_trainer.py`, `server/trainers/transformer_trainer.py`
- * **位置**: 模型评估部分。
- * **操作**: 修正 `test_true = testY.numpy()` 为 `test_true = testY`，解决了属性错误。
-
-**最终结果**: 通过记录并分析整个调试过程（阶段九到十一），我们最终定位并修复了从数据加载、模型设计到训练器评估的整个流程中的维度不一致问题。代码现在更加简洁、健壮，并遵循了端到端维度一致的良好设计实践。
-
----
-**日期**: 2025-07-14 15:34
-**主题**: 扩展维度修复至Transformer模型
-
-### 阶段十二：统一所有模型的输出维度
-
-* **问题**: 在修复 `mLSTM` 模型后，`Transformer` 模型的训练仍然因为完全相同的维度不匹配问题而失败。
-* **分析**: `server/models/transformer_model.py` 中的 `TimeSeriesTransformer` 类也存在与 `mLSTM` 相同的设计缺陷，其 `forward` 方法的输出维度为 `(B, H, 1)` 而非 `(B, H)`。
-* **解决方案**:
- 1. **修复Transformer模型层**:
- * **文件**: `server/models/transformer_model.py`
- * **位置**: `TimeSeriesTransformer` 的 `forward` 方法。
- * **操作**: 在 `output_layer` 之后增加 `.squeeze(-1)`，将模型输出的维度从 `(B, H, 1)` 修正为 `(B, H)`。
- ```diff
- - return self.output_layer(decoder_outputs)
- + return self.output_layer(decoder_outputs).squeeze(-1)
- ```
-
-**最终结果**: 通过将维度修复方案应用到所有相关的模型文件，我们确保了整个系统的模型层都遵循了统一的、正确的输出维度标准。至此，所有已知的维度相关问题均已从根源上解决。
-
----
-**日期**: 2025-07-14 16:10
-**主题**: 修复“全局模型训练-所有药品”模式下的训练失败问题
-
-### 问题描述
-在“全局模型训练”页面，当选择“所有药品”进行训练时，后端日志显示 `聚合全局数据失败: 没有找到产品 unknown 的销售数据`，导致训练任务失败。
-
-### 根本原因
-1. **API层 (`server/api.py`)**: 在处理全局训练请求时，如果前端未提供 `product_id`（对应“所有药品”选项），API层会执行 `product_id or "unknown"`，错误地将产品ID设置为字符串 `"unknown"`。
-2. **预测器层 (`server/core/predictor.py`)**: `train_model` 方法接收到无效的 `product_id="unknown"` 后，在 `training_mode='global'` 分支下，直接将其传递给数据聚合函数。
-3. **数据工具层 (`server/utils/multi_store_data_utils.py`)**: `aggregate_multi_store_data` 函数缺少处理“真正”全局聚合（即不按任何特定产品或店铺过滤）的逻辑，当收到 `product_id="unknown"` 时，它会尝试按一个不存在的产品进行过滤，最终导致失败。
-
-### 解决方案 (遵循现有设计模式)
-为了在不影响现有功能的前提下修复此问题，采用了与历史修复类似的、在中间层进行逻辑适配的策略。
-
-1. **修改 `server/utils/multi_store_data_utils.py`**:
- * **位置**: `aggregate_multi_store_data` 函数。
- * **操作**: 扩展了函数功能。
- * **内容**: 增加了新的逻辑分支。当 `product_id` 和 `store_id` 参数都为 `None` 时，函数现在会加载**所有**数据进行聚合，以支持真正的全局模型训练。
- ```python
- # ...
- elif product_id:
- # 按产品聚合...
- else:
- # 真正全局聚合：加载所有数据
- df = load_multi_store_data(file_path)
- if len(df) == 0:
- raise ValueError("数据文件为空，无法进行全局聚合")
- grouping_entity = "所有产品"
- ```
- * **原因**: 使数据聚合函数的功能更加完整和健壮，能够服务于真正的全局训练场景，同时不影响其原有的按店铺或按产品的聚合功能。
-
-2. **修改 `server/core/predictor.py`**:
- * **位置**: `train_model` 方法，`training_mode == 'global'` 的逻辑分支内。
- * **操作**: 增加了对 `product_id == 'unknown'` 的特殊处理。
- * **内容**:
- ```python
- if product_id == 'unknown':
- product_data = aggregate_multi_store_data(
- product_id=None, # 传递None以触发真正的全局聚合
- # ...
- )
- # 将product_id设置为一个有意义的标识符
- product_id = 'all_products'
- else:
- # ...原有的按单个产品聚合的逻辑...
- ```
- * **原因**: 在核心预测器层面拦截无效的 `"unknown"` ID，并将其正确地解释为“聚合所有产品数据”的意图。通过向聚合函数传递 `product_id=None` 来调用新增强的全局聚合功能，并用一个有意义的标识符 `all_products` 来命名模型，确保了后续流程的正确执行。
-
-**最终结果**: 通过这两处修改，系统现在可以正确处理“全局模型-所有药品”的训练请求，聚合所有产品的销售数据来训练一个通用的全局模型，彻底解决了该功能点的训练失败问题。
-
-
-
-
-
-
-
----
-**日期**: 2025-07-14
-**主题**: UI导航栏重构
-
-### 描述
-根据用户请求，对左侧功能导航栏进行了调整。
-
-### 主要改动
-1. **删除“数据管理”**:
- * 从 `UI/src/App.vue` 的导航菜单中移除了“数据管理”项。
- * 从 `UI/src/router/index.js` 中删除了对应的 `/data` 路由。
- * 删除了视图文件 `UI/src/views/DataView.vue`。
-
-2. **提升“店铺管理”**:
- * 将“店铺管理”菜单项在 `UI/src/App.vue` 中的位置提升，以填补原“数据管理”的位置，使其在导航中更加突出。
-
-### 涉及文件
-* `UI/src/App.vue`
-* `UI/src/router/index.js`
-* `UI/src/views/DataView.vue` (已删除)
-
-
-
-
-**按药品模型预测**
----
-**日期**: 2025-07-14
-**主题**: 修复导航菜单高亮问题
-
-### 描述
-修复了首次进入或刷新页面时，左侧导航菜单项与当前路由不匹配导致不高亮的问题。
-
-### 主要改动
-* **文件**: `UI/src/App.vue`
-* **修改**:
- 1. 引入 `useRoute` 和 `computed`。
- 2. 创建了一个计算属性 `activeMenu`，其值动态地等于当前路由的路径 (`route.path`)。
- 3. 将 `el-menu` 组件的 `:default-active` 属性绑定到 `activeMenu`。
-
-### 结果
-确保了导航菜单的高亮状态始终与当前页面的URL保持同步。
-
----
-**日期**: 2025-07-15
-**主题**: 修复硬编码文件路径问题，提高项目可移植性
-
-### 问题描述
-项目在从一台计算机迁移到另一台时，由于数据文件路径被硬编码在代码中，导致程序无法找到数据文件而运行失败。
-
-### 根本原因
-多个Python文件（`predictor.py`, `multi_store_data_utils.py`）中直接写入了相对路径 `'data/timeseries_training_data_sample_10s50p.parquet'` 作为默认值。这种方式在不同运行环境下（如从根目录运行 vs 从子目录运行）会产生路径解析错误。
-
-### 解决方案：集中配置，统一管理
-1. **修改 `server/core/config.py` (核心)**:
- * 动态计算并定义了一个全局变量 `PROJECT_ROOT`，它始终指向项目的根目录。
- * 基于 `PROJECT_ROOT`，使用 `os.path.join` 创建了一个跨平台的、绝对的默认数据路径 `DEFAULT_DATA_PATH` 和模型保存路径 `DEFAULT_MODEL_DIR`。
- * 这确保了无论从哪个位置执行代码，路径总能被正确解析。
-
-2. **修改 `server/utils/multi_store_data_utils.py`**:
- * 从 `server/core/config` 导入 `DEFAULT_DATA_PATH`。
- * 将所有数据加载函数的 `file_path` 参数的默认值从硬编码的字符串改为 `None`。
- * 在函数内部，如果 `file_path` 为 `None`，则自动使用导入的 `DEFAULT_DATA_PATH`。
- * 移除了原有的、复杂的、为了猜测正确路径而编写的冗余代码。
-
-3. **修改 `server/core/predictor.py`**:
- * 同样从 `server/core/config` 导入 `DEFAULT_DATA_PATH`。
- * 在初始化 `PharmacyPredictor` 时，如果未提供数据路径，则使用导入的 `DEFAULT_DATA_PATH` 作为默认值。
-
-### 最终结果
-通过将数据源路径集中到唯一的配置文件中进行管理，彻底解决了因硬编码路径导致的可移植性问题。项目现在可以在任何环境下可靠地运行。
-
----
-### 未来如何修改数据源（例如，连接到服务器数据库）
-
-本次重构为将来更换数据源打下了坚实的基础。操作非常简单：
-
-1. **定位配置文件**: 打开 `server/core/config.py` 文件。
-
-2. **修改数据源定义**:
- * **当前 (文件)**:
- ```python
- DEFAULT_DATA_PATH = os.path.join(PROJECT_ROOT, 'data', 'timeseries_training_data_sample_10s50p.parquet')
- ```
- * **未来 (数据库示例)**:
- 您可以将这行替换为数据库连接字符串，或者添加新的数据库配置变量。例如：
- ```python
- # 注释掉或删除旧的文件路径配置
- # DEFAULT_DATA_PATH = ...
-
- # 新增数据库连接配置
- DATABASE_URL = "postgresql://user:password@your_server_ip:5432/your_database_name"
- ```
-
-3. **修改数据加载逻辑**:
- * **定位数据加载函数**: 打开 `server/utils/multi_store_data_utils.py`。
- * **修改 `load_multi_store_data` 函数**:
- * 引入数据库连接库（如 `sqlalchemy` 或 `psycopg2`）。
- * 修改函数逻辑，使其使用 `config.py` 中的 `DATABASE_URL` 来连接数据库，并执行SQL查询来获取数据，而不是读取文件。
- * **示例**:
- ```python
- from sqlalchemy import create_engine
- from core.config import DATABASE_URL # 导入新的数据库配置
-
- def load_multi_store_data(...):
- # ...
- engine = create_engine(DATABASE_URL)
- query = "SELECT * FROM sales_data" # 根据需要构建查询
- df = pd.read_sql(query, engine)
- # ... 后续处理逻辑保持不变 ...
- ```
-
-通过以上步骤，您就可以在不改动项目其他任何部分的情况下，轻松地将数据源从本地文件切换到服务器数据库。
-
----
-**日期**: 2025-07-15 11:43
-**主题**: 修复因PyTorch版本不兼容导致的训练失败问题
-
-### 问题描述
-在修复了路径和依赖问题后，在某些机器上运行模型训练时，程序因 `TypeError: ReduceLROnPlateau.__init__() got an unexpected keyword argument 'verbose'` 而崩溃。但在本地开发机上运行正常。
-
-### 根本原因
-此问题是典型的**环境不一致**导致的兼容性错误。
-1. **PyTorch版本差异**: 本地开发环境安装了较旧版本的PyTorch，其学习率调度器 `ReduceLROnPlateau` 支持 `verbose` 参数（用于在学习率变化时打印日志）。
-2. **新环境**: 在其他计算机或新创建的虚拟环境中，安装了较新版本的PyTorch。在新版本中，`ReduceLROnPlateau` 的 `verbose` 参数已被移除。
-3. **代码问题**: `server/trainers/mlstm_trainer.py` 和 `server/trainers/transformer_trainer.py` 的代码中，在创建 `ReduceLROnPlateau` 实例时硬编码了 `verbose=True` 参数，导致在新版PyTorch环境下调用时出现 `TypeError`。
-
-### 解决方案：移除已弃用的参数
-1. **全面排查**: 检查了项目中所有训练器文件 (`mlstm_trainer.py`, `transformer_trainer.py`, `kan_trainer.py`, `tcn_trainer.py`)。
-2. **精确定位**: 确认只有 `mlstm_trainer.py` 和 `transformer_trainer.py` 使用了 `ReduceLROnPlateau` 并传递了 `verbose` 参数。
-3. **执行修复**:
- * **文件**: `server/trainers/mlstm_trainer.py` 和 `server/trainers/transformer_trainer.py`
- * **位置**: `ReduceLROnPlateau` 的初始化调用处。
- * **操作**: 删除了 `verbose=True` 参数。
- ```diff
- - scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, 'min', ..., verbose=True)
- + scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, 'min', ...)
- ```
- * **原因**: 移除这个在新版PyTorch中已不存在的参数，可以从根本上解决 `TypeError`，并确保代码在不同版本的PyTorch环境中都能正常运行。此修改不影响学习率调度器的核心功能。
-
-### 最终结果
-通过移除已弃用的 `verbose` 参数，彻底解决了由于环境差异导致的版本兼容性问题，确保了项目在所有目标机器上都能稳定地执行训练任务。
-
----
-**日期**: 2025-07-15 14:05
-**主题**: 仪表盘UI调整
-
-### 描述
-根据用户请求，将仪表盘上的“数据管理”卡片替换为“店铺管理”。
-
-### 主要改动
-* **文件**: `UI/src/views/DashboardView.vue`
-* **修改**:
- 1. 在 `featureCards` 数组中，将原“数据管理”的对象修改为“店铺管理”。
- 2. 更新了卡片的 `title`, `description`, `icon` 和 `path`，使其指向店铺管理页面 (`/store-management`)。
- 3. 在脚本中导入了新的 `Shop` 图标。
-
-### 结果
-仪表盘现在直接提供到“店铺管理”页面的快捷入口，提高了操作效率。
-
----
-### 2025-07-15: 模型保存与管理系统重构
-
-**核心目标**: 根据 `xz训练模型保存规则.md` 的规范，重构整个模型的保存、读取、版本管理和API交互逻辑，以提高系统的可维护性、健壮性和可扩展性。
-
-**1. 修改 `server/utils/model_manager.py`**
-* **内容**: 完全重写了 `ModelManager` 类。
- * **版本管理**: 引入了 `saved_models/versions.json` 文件作为版本号的唯一来源，并实现了线程安全的读写操作。
- * **路径构建**: 实现了 `get_model_version_path` 方法，用于根据训练模式、范围、类型和版本生成结构化的目录路径 (e.g., `saved_models/product/{scope}/{type}/v{N}/`)。
- * **产物保存**: 实现了 `save_model_artifact` 方法，用于将模型、检查点、图表和元数据等所有训练产物统一保存到指定的版本目录中。
- * **模型发现**: 重写了 `list_models` 方法，使其通过扫描目录结构来发现和列出所有模型及其元数据。
-
-**2. 修改 `server/trainers/mlstm_trainer.py`**
-* **内容**: 集成新的 `ModelManager`。
- * 移除了旧的、手动的 `save_checkpoint` 和 `load_checkpoint` 函数。
- * 在训练开始时，调用 `model_manager` 来获取模型的唯一标识符和下一个版本号。
- * 在训练过程中，统一使用 `model_manager.save_model_artifact()` 来保存所有产物（`model.pth`, `checkpoint_best.pth`, `loss_curve.png`, `metadata.json`）。
- * 在训练成功后，调用 `model_manager.update_version()` 来更新 `versions.json`。
-
-**3. 修改 `server/core/config.py`**
-* **内容**: 清理废弃的函数。
- * 删除了 `get_next_model_version`, `get_model_file_path`, `get_model_versions`, `get_latest_model_version`, 和 `save_model_version_info` 等所有与旧的、基于文件名的版本管理相关的函数。
-
-**4. 修改 `server/core/predictor.py`**
-* **内容**: 解耦与旧路径逻辑的依赖。
- * 更新了 `train_model` 方法，将版本和路径管理的职责完全下放给具体的训练器。
- * 更新了 `predict` 方法，使其调用新的 `load_model_and_predict`，并传递标准的模型版本目录路径。
-
-**5. 修改 `server/predictors/model_predictor.py`**
-* **内容**: 适配新的模型加载逻辑。
- * 重写了 `load_model_and_predict` 函数，使其接受一个模型版本目录路径 (`model_version_path`) 作为输入。
- * 函数现在从该目录下的 `metadata.json` 读取元数据，并从 `model.pth` 加载模型和 `scaler` 对象。
-
-**6. 修改 `server/api.py`**
-* **内容**: 更新API端点以适应新的模型管理系统。
- * `/api/models`: 调用 `model_manager.list_models()` 来获取模型列表。
- * `/api/models/`: 更新详情和删除逻辑，以处理基于目录的结构。
- * `/api/prediction`: 更新调用 `predictor.predict()` 的方式。
- * `/api/training`: 更新了数据库保存逻辑，现在向 `model_versions` 表中存入的是模型版本目录的路径。
-
----
-### 2025-07-15 (续): 训练器与核心调用层重构
-
-**核心目标**: 将新的 `ModelManager` 统一应用到项目中所有剩余的模型训练器，并重构核心调用逻辑，确保整个训练链路的架构一致性。
-
-**1. 修改 `server/trainers/kan_trainer.py`**
-* **内容**: 完全重写了 `kan_trainer.py`。
- * **适配接口**: 函数签名与 `mlstm_trainer` 对齐，增加了 `socketio`, `task_id`, `patience` 等参数。
- * **集成 `ModelManager`**: 移除了所有旧的、手动的保存逻辑，改为在训练开始时调用 `model_manager` 获取版本号和路径。
- * **标准化产物保存**: 所有产物（模型、元数据、检查点、损失曲线）均通过 `model_manager.save_model_artifact()` 保存。
- * **增加健壮性**: 引入了早停（Early Stopping）和保存最佳检查点（Best Checkpoint）的逻辑。
-
-**2. 修改 `server/trainers/tcn_trainer.py`**
-* **内容**: 完全重写了 `tcn_trainer.py`，应用了与 `kan_trainer` 完全相同的重构模式。
- * 移除了旧的 `save_checkpoint` 辅助函数和基于 `core.config` 的版本管理。
- * 全面转向使用 `model_manager` 进行版本控制和文件保存。
- * 统一了函数签名和进度反馈逻辑。
-
-**3. 修改 `server/trainers/transformer_trainer.py`**
-* **内容**: 完全重写了 `transformer_trainer.py`，完成了对所有训练器的统一重构。
- * 移除了所有遗留的、基于文件名的路径拼接和保存逻辑。
- * 实现了与其它训练器一致的、基于 `ModelManager` 的标准化训练流程。
-
-**4. 修改 `server/core/predictor.py`**
-* **内容**: 对核心预测器类 `PharmacyPredictor` 进行了彻底重构。
- * **统一调用接口**: `train_model` 方法现在以完全一致的方式调用所有（`mlstm`, `kan`, `tcn`, `transformer`）训练器。
- * **移除旧逻辑**: 删除了 `_parse_model_filename` 等所有基于文件名解析的旧方法。
- * **适配 `ModelManager`**: `list_models` 和 `delete_model` 等方法现在直接调用 `model_manager` 的相应功能，不再自己实现逻辑。
- * **简化 `predict`**: 预测方法现在直接接收标准化的模型版本路径 (`model_version_path`) 作为输入，逻辑更清晰。
\ No newline at end of file
+- **Python**: 3.x
+- **主要库**:
+ - Flask
+ - Flask-SocketIO
+ - Flasgger
+ - pandas
+ - numpy
+ - torch
+ - scikit-learn
+ - matplotlib
+- **启动命令**: `python server/api.py`
\ No newline at end of file
diff --git a/xz训练模型保存规则.md b/xz训练模型保存规则.md
index 0789743..51cb50c 100644
--- a/xz训练模型保存规则.md
+++ b/xz训练模型保存规则.md
@@ -4,30 +4,47 @@
我们已经从“一个文件包含所有信息”的模式，转向了“目录结构本身就是信息”的模式。
基本结构:
-
+```
saved_models/
+├── versions.json # 记录所有模型最新版本号的“注册表”
├── product/
-│ ├── all/
-│ │ ├── MLSTM/
-│ │ │ ├── v1/
-│ │ │ │ ├── model.pth
-│ │ │ │ ├── metadata.json
-│ │ │ │ ├── loss_curve.png
-│ │ │ │ └── checkpoint_best.pth
-│ │ │ └── v2/
-│ │ │ └── ...
-│ │ └── TCN/
-│ │ └── v1/
-│ │ └── ...
-│ └── {product_id}/
-│ └── ...
-│
-├── user/
-│ └── ...
-│
-└── versions.json
-
-txt
+│ └── {product_id}_{scope}/
+│ └── {model_type}/
+│ └── v{N}/
+│ ├── model.pth # 最终用于预测的模型文件
+│ ├── checkpoint_best.pth # 训练中性能最佳的检查点
+│ ├── metadata.json # 包含训练参数、scaler等元数据
+│ └── loss_curve.png # 训练过程的损失曲线图
+├── store/
+│ └── {store_id}_{scope}/
+│ └── {model_type}/
+│ └── v{N}/
+│ ├── model.pth
+│ ├── checkpoint_best.pth
+│ ├── metadata.json
+│ └── loss_curve.png
+└── global/
+ ├── all/{aggregation_method}/{model_type}/v{N}/
+ │ ├── model.pth
+ │ ├── checkpoint_best.pth
+ │ ├── metadata.json
+ │ └── loss_curve.png
+ ├── stores/{store_id}/{aggregation_method}/{model_type}/v{N}/
+ │ ├── model.pth
+ │ ├── checkpoint_best.pth
+ │ ├── metadata.json
+ │ └── loss_curve.png
+ ├── products/{product_id}/{aggregation_method}/{model_type}/v{N}/
+ │ ├── model.pth
+ │ ├── checkpoint_best.pth
+ │ ├── metadata.json
+ │ └── loss_curve.png
+ └── custom/{store_id}/{product_id}/{aggregation_method}/{model_type}/v{N}/
+ ├── model.pth
+ ├── checkpoint_best.pth
+ ├── metadata.json
+ └── loss_curve.png
+```
关键点解读:
@@ -119,18 +136,18 @@ checkpoint_best.pth: 训练过程中验证集上表现最好的模型检查点
#### 3. 全局训练 (Global Training)
-* **目录结构**: `saved_models/global/{scope_path}/{aggregation_method}/{model_type}/v{N}/`
+* **目录结构**: `saved_models/global/{scope}/{aggregation_method}/{model_type}/v{N}/`
* **路径解析**:
* `global`: 表示这是“全局”训练模式。
- * `{scope_path}`: 描述训练所用数据的范围，结构比较灵活：
- * `all`: 代表所有店铺的所有药品。
- * `stores/{store_id}`: 代表选择了特定的店铺。
- * `products/{product_id}`: 代表选择了特定的药品。
- * `custom/{store_id}/{product_id}`: 代表自定义范围，同时指定了店铺和药品。
+ * `{scope}`: 描述训练所用数据的范围，有以下几种情况：
+ * `all`: 代表“所有店铺所有药品”。
+ * `stores/{store_id}`: 代表选择了“特定的店铺”。
+ * `products/{product_id}`: 代表选择了“特定的药品”。
+ * `custom/{store_id}/{product_id}`: 代表“自定义范围”，即同时指定了店铺和药品。
* `{aggregation_method}`: 数据的聚合方式 (例如 `sum`, `mean`)。
* `{model_type}`: 模型的类型。
* `v{N}`: 模型的版本号。
-* **文件夹内容**: 与“按药品训练”模式相同。
+* **文件夹内容**: 与“按药品训练”模式相同，包含 `model.pth`, `metadata.json` 等标准产物。
### 总结
@@ -152,20 +169,6 @@ checkpoint_best.pth: 训练过程中验证集上表现最好的模型检查点
* **损失曲线图**: `loss_curve.png`
* **训练元数据**: `metadata.json` (包含训练参数、指标等详细信息)
-**示例路径:**
-
-1. **按药品训练 (P001, 所有店铺, mlstm, v2)**:
- * **目录**: `saved_models/product/P001_all/mlstm/v2/`
- * **最终模型**: `saved_models/product/P001_all/mlstm/v2/model.pth`
- * **损失曲线**: `saved_models/product/P001_all/mlstm/v2/loss_curve.png`
-
-2. **按店铺训练 (S001, 指定药品P002, transformer, v1)**:
- * **目录**: `saved_models/store/S001_P002/transformer/v1/`
- * **最终模型**: `saved_models/store/S001_P002/transformer/v1/model.pth`
-
-3. **全局训练 (所有数据, sum聚合, kan, v5)**:
- * **目录**: `saved_models/global/all/sum/kan/v5/`
- * **最终模型**: `saved_models/global/all/sum/kan/v5/model.pth`
#### 二、 文件读取规则