From a9a0e517694c02a42adcab52133342686307cd5c Mon Sep 17 00:00:00 2001
From: xz2000 <xz20000522@163.com>
Date: Wed, 16 Jul 2025 15:34:48 +0800
Subject: [PATCH] =?UTF-8?q?#=20=E4=BF=AE=E6=94=B9=E8=AE=B0=E5=BD=95?=
 =?UTF-8?q?=E6=97=A5=E5=BF=97=20(=E6=97=A5=E6=9C=9F:=202025-07-16)?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

## 1. 核心 Bug 修复

### 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`。

## 2. 代码清理与重构

### 文件: `server/api.py`

- **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。

### 文件: `server/utils/training_process_manager.py`

- **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。

## 3. 启动依赖

- **Python**: 3.x
- **主要库**:
    - Flask
    - Flask-SocketIO
    - Flasgger
    - pandas
    - numpy
    - torch
    - scikit-learn
    - matplotlib
- **启动命令**: `python server/api.py`
---
 UI/src/views/training/GlobalTrainingView.vue |  14 +-
 UI/src/views/training/StoreTrainingView.vue  |  16 +-
 server/api.py                                | 457 +++-------
 server/core/predictor.py                     | 139 ++-
 server/trainers/kan_trainer.py               |  66 +-
 server/trainers/mlstm_trainer.py             |  91 +-
 server/trainers/tcn_trainer.py               |  56 +-
 server/trainers/transformer_trainer.py       |  56 +-
 server/utils/model_manager.py                | 142 +--
 server/utils/multi_store_data_utils.py       | 152 ++--
 server/utils/training_process_manager.py     |  68 +-
 xz修改记录日志和启动依赖.md                  | 892 +------------------
 xz训练模型保存规则.md                        |  89 +-
 13 files changed, 715 insertions(+), 1523 deletions(-)

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"
-            />
+            >
+              <template #default="{ row }">
+                {{ row.version || 'N/A' }}
+              </template>
+            </el-table-column>
             <el-table-column prop="status" label="状态" width="100">
               <template #default="{ row }">
                 <el-tag :type="statusTag(row.status)">
@@ -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/<model_id>`: 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