server/api.py

@@ -56,7 +56,7 @@ from analysis.metrics import evaluate_model, compare_models
 # 导入配置和版本管理
 from core.config import (
     DEFAULT_MODEL_DIR, WEBSOCKET_NAMESPACE,
-    get_model_versions, get_latest_model_version, get_next_model_version,
+    get_model_versions,
     get_model_file_path, save_model_version_info
 )
 
@@ -1560,7 +1560,7 @@ def predict():
         prediction_result = run_prediction(model_type, product_id, model_id, future_days, start_date, version, store_id, training_mode)
         
         if prediction_result is None:
-            return jsonify({"status": "error", "error": "预测失败，预测器返回None"}), 500
+            return jsonify({"status": "error", "error": "模型文件未找到或加载失败"}), 404
         
         # 添加版本信息到预测结果
         prediction_result['version'] = version
@@ -3782,8 +3782,13 @@ def get_model_types():
 def get_model_versions_api(product_id, model_type):
     """获取模型版本列表API"""
     try:
-        versions = get_model_versions(product_id, model_type)
+        from utils.model_manager import model_manager
-        latest_version = get_latest_model_version(product_id, model_type)
+        
+        result = model_manager.list_models(product_id=product_id, model_type=model_type)
+        models = result.get('models', [])
+        
+        versions = sorted(list(set(m['version'] for m in models)), key=lambda v: (v != 'best', v))
+        latest_version = versions[0] if versions else None
 
         return jsonify({
             "status": "success",

server/core/config.py

@@ -71,48 +71,6 @@ TRAINING_UPDATE_INTERVAL = 1       # 训练进度更新间隔（秒）
 # 创建模型保存目录
 os.makedirs(DEFAULT_MODEL_DIR, exist_ok=True)
 
-def get_next_model_version(product_id: str, model_type: str) -> str:
-    """
-    获取指定产品和模型类型的下一个版本号
-    
-    Args:
-        product_id: 产品ID
-        model_type: 模型类型
-        
-    Returns:
-        下一个版本号，格式如 'v2', 'v3' 等
-    """
-    # 新格式：带版本号的文件
-    pattern_new = f"{model_type}_model_product_{product_id}_v*.pth"
-    existing_files_new = glob.glob(os.path.join(DEFAULT_MODEL_DIR, pattern_new))
-    
-    # 旧格式：不带版本号的文件（兼容性支持）
-    pattern_old = f"{model_type}_model_product_{product_id}.pth"
-    old_file_path = os.path.join(DEFAULT_MODEL_DIR, pattern_old)
-    has_old_format = os.path.exists(old_file_path)
-    
-    # 如果没有任何格式的文件，返回默认版本
-    if not existing_files_new and not has_old_format:
-        return DEFAULT_VERSION
-    
-    # 提取新格式文件的版本号
-    versions = []
-    for file_path in existing_files_new:
-        filename = os.path.basename(file_path)
-        version_match = re.search(rf"_v(\d+)\.pth$", filename)
-        if version_match:
-            versions.append(int(version_match.group(1)))
-    
-    # 如果存在旧格式文件，将其视为v1
-    if has_old_format:
-        versions.append(1)
-        print(f"检测到旧格式模型文件: {old_file_path}，将其视为版本v1")
-    
-    if versions:
-        next_version_num = max(versions) + 1
-        return f"v{next_version_num}"
-    else:
-        return DEFAULT_VERSION
 
 def get_model_file_path(product_id: str, model_type: str, version: str) -> str:
     """
@@ -134,13 +92,8 @@ def get_model_file_path(product_id: str, model_type: str, version: str) -> str:
     # 修正：直接使用唯一的product_id（它可能包含store_前缀）来构建文件名
     # 文件名示例: transformer_17002608_epoch_best.pth 或 transformer_store_01010023_epoch_best.pth
     # 针对 KAN 和 optimized_kan，使用 model_manager 的命名约定
-    if model_type in ['kan', 'optimized_kan']:
+    # 统一所有模型的命名格式
-        # 格式: {model_type}_product_{product_id}_{version}.pth
+    filename = f"{model_type}_product_{product_id}_{version}.pth"
-        # 注意：KAN trainer 保存时，product_id 就是 model_identifier
-        filename = f"{model_type}_product_{product_id}_{version}.pth"
-    else:
-        # 其他模型使用 _epoch_ 约定
-        filename = f"{model_type}_{product_id}_epoch_{version}.pth"
     # 修正：直接在根模型目录查找，不再使用checkpoints子目录
     return os.path.join(DEFAULT_MODEL_DIR, filename)
 
@@ -155,67 +108,32 @@ def get_model_versions(product_id: str, model_type: str) -> list:
     Returns:
         版本列表，按版本号排序
     """
-    # 直接使用传入的product_id构建搜索模式
+    # 统一使用新的命名约定进行搜索
-    # 搜索模式，匹配 "transformer_product_17002608_epoch_50.pth" 或 "transformer_product_17002608_epoch_best.pth"
+    pattern = os.path.join(DEFAULT_MODEL_DIR, f"{model_type}_product_{product_id}_*.pth")
-    # 修正：直接使用唯一的product_id（它可能包含store_前缀）来构建搜索模式
+    existing_files = glob.glob(pattern)
-    # 扩展搜索模式以兼容多种命名约定
-    patterns = [
-        f"{model_type}_{product_id}_epoch_*.pth",  # 原始格式 (e.g., transformer_123_epoch_best.pth)
-        f"{model_type}_product_{product_id}_*.pth" # KAN/ModelManager格式 (e.g., kan_product_123_v1.pth)
-    ]
     
-    existing_files = []
+    versions = set()
-    for pattern in patterns:
-        search_path = os.path.join(DEFAULT_MODEL_DIR, pattern)
-        existing_files.extend(glob.glob(search_path))
     
-    # 旧格式（兼容性支持）
-    pattern_old = f"{model_type}_model_product_{product_id}.pth"
-    old_file_path = os.path.join(DEFAULT_MODEL_DIR, pattern_old)
-    if os.path.exists(old_file_path):
-        existing_files.append(old_file_path)
-
-    versions = set() # 使用集合避免重复
-    
-    # 从找到的文件中提取版本信息
     for file_path in existing_files:
         filename = os.path.basename(file_path)
         
-        # 尝试匹配 _epoch_ 格式
+        # 严格匹配 _v<number> 或 'best'
-        version_match_epoch = re.search(r"_epoch_(.+)\.pth$", filename)
+        match = re.search(r'_(v\d+|best)\.pth$', filename)
-        if version_match_epoch:
+        if match:
-            versions.add(version_match_epoch.group(1))
+            versions.add(match.group(1))
-            continue
             
-        # 尝试匹配 _product_..._v 格式 (KAN)
+    # 按数字版本降序排序，'best'始终在最前
-        version_match_kan = re.search(r"_product_.+_v(\d+)\.pth$", filename)
+    def sort_key(v):
-        if version_match_kan:
+        if v == 'best':
-            versions.add(f"v{version_match_kan.group(1)}")
+            return -1 # 'best' is always first
-            continue
+        if v.startswith('v'):
+            return int(v[1:])
+        return float('inf') # Should not happen
 
-        # 尝试匹配旧的 _model_product_ 格式
+    sorted_versions = sorted(list(versions), key=sort_key, reverse=True)
-        if pattern_old in filename:
-             versions.add("v1_legacy") # 添加一个特殊标识
-             print(f"检测到旧格式模型文件: {old_file_path}，将其视为版本 v1_legacy")
-             continue
     
-    # 转换为列表并排序
-    sorted_versions = sorted(list(versions))
     return sorted_versions
 
-def get_latest_model_version(product_id: str, model_type: str) -> str:
-    """
-    获取指定产品和模型类型的最新版本
-    
-    Args:
-        product_id: 产品ID
-        model_type: 模型类型
-        
-    Returns:
-        最新版本号，如果没有则返回None
-    """
-    versions = get_model_versions(product_id, model_type)
-    return versions[-1] if versions else None
 
 def save_model_version_info(product_id: str, model_type: str, version: str, file_path: str, metrics: dict = None):
     """

server/trainers/kan_trainer.py

@@ -257,11 +257,11 @@ def train_product_model_with_kan(product_id, model_identifier, product_df=None,
                 model_data=best_model_data,
                 product_id=model_identifier,
                 model_type=model_type_name,
-                version='best',
                 store_id=store_id,
                 training_mode=training_mode,
                 aggregation_method=aggregation_method,
-                product_name=product_name
+                product_name=product_name,
+                version='best'  # 显式覆盖版本为'best'
             )
         
         if (epoch + 1) % 10 == 0:
@@ -335,15 +335,18 @@ def train_product_model_with_kan(product_id, model_identifier, product_df=None,
         'loss_curve_path': loss_curve_path
     }
     
-    model_path = model_manager.save_model(
+    # 保存最终模型，让 model_manager 自动处理版本号
+    final_model_path, final_version = model_manager.save_model(
         model_data=model_data,
         product_id=model_identifier,
         model_type=model_type_name,
-        version=f'final_epoch_{epochs}',
         store_id=store_id,
         training_mode=training_mode,
         aggregation_method=aggregation_method,
         product_name=product_name
+        # 注意：此处不传递version参数，由管理器自动生成
     )
     
+    print(f"最终模型已保存，版本: {final_version}, 路径: {final_model_path}")
+    
     return model, metrics

server/trainers/mlstm_trainer.py

@@ -20,85 +20,10 @@ from utils.multi_store_data_utils import get_store_product_sales_data, aggregate
 from utils.visualization import plot_loss_curve
 from analysis.metrics import evaluate_model
 from core.config import (
-    DEVICE, DEFAULT_MODEL_DIR, LOOK_BACK, FORECAST_HORIZON,
+    DEVICE, DEFAULT_MODEL_DIR, LOOK_BACK, FORECAST_HORIZON
-    get_next_model_version, get_model_file_path, get_latest_model_version
 )
 from utils.training_progress import progress_manager
-
+from utils.model_manager import model_manager
-def save_checkpoint(checkpoint_data: dict, epoch_or_label, model_identifier: str,
-                   model_type: str, model_dir: str, store_id=None,
-                   training_mode: str = 'product', aggregation_method=None):
-    """
-    保存训练检查点
-    
-    Args:
-        checkpoint_data: 检查点数据
-        epoch_or_label: epoch编号或标签（如'best'）
-        product_id: 产品ID
-        model_type: 模型类型
-        model_dir: 模型保存目录
-        store_id: 店铺ID
-        training_mode: 训练模式
-        aggregation_method: 聚合方法
-    """
-    # 创建检查点目录
-    # 直接在模型根目录保存，不再创建子目录
-    checkpoint_dir = model_dir
-    os.makedirs(checkpoint_dir, exist_ok=True)
-    
-    # 修正：直接使用product_id作为唯一标识符，因为它已经包含了store_前缀或药品ID
-    filename = f"{model_type}_{model_identifier}_epoch_{epoch_or_label}.pth"
-    
-    checkpoint_path = os.path.join(checkpoint_dir, filename)
-    
-    # 保存检查点
-    torch.save(checkpoint_data, checkpoint_path)
-    print(f"[mLSTM] 检查点已保存: {checkpoint_path}", flush=True)
-    
-    return checkpoint_path
-
-
-def load_checkpoint(product_id: str, model_type: str, epoch_or_label, 
-                   model_dir: str, store_id=None, training_mode: str = 'product', 
-                   aggregation_method=None):
-    """
-    加载训练检查点
-    
-    Args:
-        product_id: 产品ID
-        model_type: 模型类型
-        epoch_or_label: epoch编号或标签
-        model_dir: 模型保存目录
-        store_id: 店铺ID
-        training_mode: 训练模式
-        aggregation_method: 聚合方法
-        
-    Returns:
-        checkpoint_data: 检查点数据，如果未找到返回None
-    """
-    checkpoint_dir = os.path.join(model_dir, 'checkpoints')
-    
-    # 生成检查点文件名
-    if training_mode == 'store' and store_id:
-        filename = f"{model_type}_store_{store_id}_{product_id}_epoch_{epoch_or_label}.pth"
-    elif training_mode == 'global' and aggregation_method:
-        filename = f"{model_type}_global_{product_id}_{aggregation_method}_epoch_{epoch_or_label}.pth"
-    else:
-        filename = f"{model_type}_product_{product_id}_epoch_{epoch_or_label}.pth"
-    
-    checkpoint_path = os.path.join(checkpoint_dir, filename)
-    
-    if os.path.exists(checkpoint_path):
-        try:
-            checkpoint_data = torch.load(checkpoint_path, map_location=DEVICE)
-            print(f"[mLSTM] 检查点已加载: {checkpoint_path}", flush=True)
-            return checkpoint_data
-        except Exception as e:
-            print(f"[mLSTM] 加载检查点失败: {e}", flush=True)
-            return None
-    else:
-        print(f"[mLSTM] 检查点文件不存在: {checkpoint_path}", flush=True)
-        return None
 
 def train_product_model_with_mlstm(
     product_id,
@@ -173,15 +98,9 @@ def train_product_model_with_mlstm(
     emit_progress("开始mLSTM模型训练...")
     
     # 确定版本号
-    if version is None:
+    emit_progress(f"开始训练 mLSTM 模型")
-        if continue_training:
+    if version:
-            version = get_latest_model_version(product_id, 'mlstm')
+        emit_progress(f"使用指定版本: {version}")
-            if version is None:
-                version = get_next_model_version(product_id, 'mlstm')
-        else:
-            version = get_next_model_version(product_id, 'mlstm')
-    
-    emit_progress(f"开始训练 mLSTM 模型版本 {version}")
     
     # 初始化训练进度管理器（如果还未初始化）
     if socketio and task_id:
@@ -234,7 +153,7 @@ def train_product_model_with_mlstm(
     
     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] 训练范围: {training_scope}", flush=True)
-    print(f"[mLSTM] 版本: {version}", flush=True)
+    # print(f"[mLSTM] 版本: {version}", flush=True) # Version is now handled by model_manager
     print(f"[mLSTM] 使用设备: {DEVICE}", flush=True)
     print(f"[mLSTM] 模型将保存到目录: {model_dir}", flush=True)
     print(f"[mLSTM] 数据量: {len(product_df)} 条记录", flush=True)
@@ -323,16 +242,8 @@ def train_product_model_with_mlstm(
     
     # 如果是继续训练，加载现有模型
     if continue_training and version != 'v1':
-        try:
+        # TODO: Implement continue_training logic with the new model_manager
-            existing_model_path = get_model_file_path(product_id, 'mlstm', version)
+        pass
-            if os.path.exists(existing_model_path):
-                checkpoint = torch.load(existing_model_path, map_location=DEVICE)
-                model.load_state_dict(checkpoint['model_state_dict'])
-                print(f"加载现有模型: {existing_model_path}")
-                emit_progress(f"加载现有模型版本 {version} 进行继续训练")
-        except Exception as e:
-            print(f"无法加载现有模型，将重新开始训练: {e}")
-            emit_progress("无法加载现有模型，重新开始训练")
     
     # 将模型移动到设备上
     model = model.to(DEVICE)
@@ -451,22 +362,24 @@ def train_product_model_with_mlstm(
                 }
             }
             
-            # 保存检查点
-            save_checkpoint(checkpoint_data, epoch + 1, model_identifier, 'mlstm',
-                          model_dir, store_id, training_mode, aggregation_method)
-            
             # 如果是最佳模型，额外保存一份
             if test_loss < best_loss:
                 best_loss = test_loss
-                save_checkpoint(checkpoint_data, 'best', model_identifier, 'mlstm',
+                model_manager.save_model(
-                              model_dir, store_id, training_mode, aggregation_method)
+                    model_data=checkpoint_data,
+                    product_id=model_identifier,
+                    model_type='mlstm',
+                    store_id=store_id,
+                    training_mode=training_mode,
+                    aggregation_method=aggregation_method,
+                    product_name=product_name,
+                    version='best'
+                )
                 emit_progress(f"💾 保存最佳模型检查点 (epoch {epoch+1}, test_loss: {test_loss:.4f})")
                 epochs_no_improve = 0
             else:
                 epochs_no_improve += 1
         
-            emit_progress(f"💾 保存训练检查点 epoch_{epoch+1}")
-        
         if (epoch + 1) % 10 == 0:
             print(f"Epoch {epoch+1}/{epochs}, Train Loss: {train_loss:.4f}, Test Loss: {test_loss:.4f}", flush=True)
 
@@ -524,7 +437,6 @@ def train_product_model_with_mlstm(
     # 计算评估指标
     metrics = evaluate_model(test_true_inv, test_pred_inv)
     metrics['training_time'] = training_time
-    metrics['version'] = version
     
     # 打印评估指标
     print("\n模型评估指标:")
@@ -576,10 +488,15 @@ def train_product_model_with_mlstm(
         }
     }
     
-    # 保存最终模型（使用epoch标识）
+    # 保存最终模型，让 model_manager 自动处理版本号
-    final_model_path = save_checkpoint(
+    final_model_path, final_version = model_manager.save_model(
-        final_model_data, f"final_epoch_{epochs}", model_identifier, 'mlstm',
+        model_data=final_model_data,
-        model_dir, store_id, training_mode, aggregation_method
+        product_id=model_identifier,
+        model_type='mlstm',
+        store_id=store_id,
+        training_mode=training_mode,
+        aggregation_method=aggregation_method,
+        product_name=product_name
     )
     
     # 发送训练完成消息
@@ -591,9 +508,10 @@ def train_product_model_with_mlstm(
         'mape': metrics['mape'],
         'training_time': training_time,
         'final_epoch': epochs,
-        'model_path': final_model_path
+        'model_path': final_model_path,
+        'version': final_version
     }
     
-    emit_progress(f"✅ mLSTM模型训练完成！最终epoch: {epochs} 已保存", progress=100, metrics=final_metrics)
+    emit_progress(f"✅ mLSTM模型训练完成！版本 {final_version} 已保存", progress=100, metrics=final_metrics)
     
     return model, metrics, epochs, final_model_path

server/trainers/tcn_trainer.py

@@ -20,39 +20,7 @@ from utils.visualization import plot_loss_curve
 from analysis.metrics import evaluate_model
 from core.config import DEVICE, DEFAULT_MODEL_DIR, LOOK_BACK, FORECAST_HORIZON
 from utils.training_progress import progress_manager
-
+from utils.model_manager import model_manager
-def save_checkpoint(checkpoint_data: dict, epoch_or_label, model_identifier: str,
-                   model_type: str, model_dir: str, store_id=None,
-                   training_mode: str = 'product', aggregation_method=None):
-    """
-    保存训练检查点
-    
-    Args:
-        checkpoint_data: 检查点数据
-        epoch_or_label: epoch编号或标签（如'best'）
-        product_id: 产品ID
-        model_type: 模型类型
-        model_dir: 模型保存目录
-        store_id: 店铺ID
-        training_mode: 训练模式
-        aggregation_method: 聚合方法
-    """
-    # 创建检查点目录
-    # 直接在模型根目录保存，不再创建子目录
-    checkpoint_dir = model_dir
-    os.makedirs(checkpoint_dir, exist_ok=True)
-    
-    # 生成检查点文件名
-    # 修正：直接使用product_id作为唯一标识符，因为它已经包含了store_前缀或药品ID
-    filename = f"{model_type}_{model_identifier}_epoch_{epoch_or_label}.pth"
-    
-    checkpoint_path = os.path.join(checkpoint_dir, filename)
-    
-    # 保存检查点
-    torch.save(checkpoint_data, checkpoint_path)
-    print(f"[TCN] 检查点已保存: {checkpoint_path}", flush=True)
-    
-    return checkpoint_path
 
 def train_product_model_with_tcn(
     product_id,
@@ -72,21 +40,6 @@ def train_product_model_with_tcn(
 ):
     """
     使用TCN模型训练产品销售预测模型
-    
-    参数:
-    product_id: 产品ID
-    epochs: 训练轮次
-    model_dir: 模型保存目录，默认使用配置中的DEFAULT_MODEL_DIR
-    version: 指定版本号，如果为None则自动生成
-    socketio: WebSocket对象，用于实时反馈
-    task_id: 训练任务ID
-    continue_training: 是否继续训练现有模型
-    
-    返回:
-    model: 训练好的模型
-    metrics: 模型评估指标
-    version: 实际使用的版本号
-    model_path: 模型文件路径
     """
     
     def emit_progress(message, progress=None, metrics=None):
@@ -103,62 +56,21 @@ def train_product_model_with_tcn(
                 data['metrics'] = metrics
             socketio.emit('training_progress', data, namespace='/training')
     
-    # 确定版本号
+    emit_progress(f"开始训练 TCN 模型")
-    if version is None:
-        from core.config import get_latest_model_version, get_next_model_version
-        if continue_training:
-            version = get_latest_model_version(product_id, 'tcn')
-            if version is None:
-                version = get_next_model_version(product_id, 'tcn')
-        else:
-            version = get_next_model_version(product_id, 'tcn')
     
-    emit_progress(f"开始训练 TCN 模型版本 {version}")
-    
-    # 如果没有传入product_df，则根据训练模式加载数据
     if product_df is None:
-        from utils.multi_store_data_utils import load_multi_store_data, get_store_product_sales_data, aggregate_multi_store_data
+        from utils.multi_store_data_utils import aggregate_multi_store_data
-        
+        product_df = aggregate_multi_store_data(
-        try:
+            product_id=product_id,
-            if training_mode == 'store' and store_id:
+            aggregation_method=aggregation_method
-                # 加载特定店铺的数据
+        )
-                product_df = get_store_product_sales_data(
+        training_scope = f"全局聚合({aggregation_method})"
-                    store_id,
-                    product_id,
-                    'pharmacy_sales_multi_store.csv'
-                )
-                training_scope = f"店铺 {store_id}"
-            elif training_mode == 'global':
-                # 聚合所有店铺的数据
-                product_df = aggregate_multi_store_data(
-                    product_id,
-                    aggregation_method=aggregation_method,
-                    file_path='pharmacy_sales_multi_store.csv'
-                )
-                training_scope = f"全局聚合({aggregation_method})"
-            else:
-                # 默认：加载所有店铺的产品数据
-                product_df = load_multi_store_data('pharmacy_sales_multi_store.csv', product_id=product_id)
-                training_scope = "所有店铺"
-        except Exception as e:
-            print(f"多店铺数据加载失败: {e}")
-            # 后备方案：尝试原始数据
-            df = pd.read_excel('pharmacy_sales.xlsx')
-            product_df = df[df['product_id'] == product_id].sort_values('date')
-            training_scope = "原始数据"
     else:
-        # 如果传入了product_df，直接使用
+        training_scope = "所有店铺"
-        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"
     
     if product_df.empty:
         raise ValueError(f"产品 {product_id} 没有可用的销售数据")
     
-    # 数据量检查
     min_required_samples = sequence_length + forecast_horizon
     if len(product_df) < min_required_samples:
         error_msg = (
@@ -166,10 +78,6 @@ def train_product_model_with_tcn(
             f"当前配置需要: {min_required_samples} 天数据 (LOOK_BACK={sequence_length} + FORECAST_HORIZON={forecast_horizon})\n"
             f"实际数据量: {len(product_df)} 天\n"
             f"产品ID: {product_id}, 训练模式: {training_mode}\n"
-            f"建议解决方案:\n"
-            f"1. 生成更多数据: uv run generate_multi_store_data.py\n"
-            f"2. 调整配置参数: 减小 LOOK_BACK 或 FORECAST_HORIZON\n"
-            f"3. 使用全局训练模式聚合更多数据"
         )
         print(error_msg)
         emit_progress(f"训练失败：数据不足 ({len(product_df)}/{min_required_samples} 天)")
@@ -180,48 +88,39 @@ def train_product_model_with_tcn(
     
     print(f"使用TCN模型训练产品 '{product_name}' (ID: {product_id}) 的销售预测模型")
     print(f"训练范围: {training_scope}")
-    print(f"版本: {version}")
     print(f"使用设备: {DEVICE}")
     print(f"模型将保存到目录: {model_dir}")
     
     emit_progress(f"训练产品: {product_name} (ID: {product_id})")
     
-    # 创建特征和目标变量
     features = ['sales', 'weekday', 'month', 'is_holiday', 'is_weekend', 'is_promotion', 'temperature']
     
-    # 预处理数据
     X = product_df[features].values
-    y = product_df[['sales']].values  # 保持为二维数组
+    y = product_df[['sales']].values
     
-    # 设置数据预处理阶段
     progress_manager.set_stage("data_preprocessing", 0)
     emit_progress("数据预处理中...")
     
-    # 归一化数据
     scaler_X = MinMaxScaler(feature_range=(0, 1))
     scaler_y = MinMaxScaler(feature_range=(0, 1))
     
     X_scaled = scaler_X.fit_transform(X)
     y_scaled = scaler_y.fit_transform(y)
     
-    # 划分训练集和测试集（80% 训练，20% 测试）
     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:]
     
     progress_manager.set_stage("data_preprocessing", 50)
     
-    # 创建时间序列数据
     trainX, trainY = create_dataset(X_train, y_train, sequence_length, forecast_horizon)
     testX, testY = create_dataset(X_test, y_test, sequence_length, forecast_horizon)
     
-    # 转换为PyTorch的Tensor
     trainX_tensor = torch.Tensor(trainX)
     trainY_tensor = torch.Tensor(trainY)
     testX_tensor = torch.Tensor(testX)
     testY_tensor = torch.Tensor(testY)
     
-    # 创建数据加载器
     train_dataset = PharmacyDataset(trainX_tensor, trainY_tensor)
     test_dataset = PharmacyDataset(testX_tensor, testY_tensor)
     
@@ -229,7 +128,6 @@ def train_product_model_with_tcn(
     train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
     test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)
     
-    # 更新进度管理器的批次信息
     total_batches = len(train_loader)
     total_samples = len(train_dataset)
     progress_manager.total_batches_per_epoch = total_batches
@@ -238,7 +136,6 @@ def train_product_model_with_tcn(
     
     progress_manager.set_stage("data_preprocessing", 100)
     
-    # 初始化TCN模型
     input_dim = X_train.shape[1]
     output_dim = forecast_horizon
     hidden_size = 64
@@ -254,21 +151,8 @@ def train_product_model_with_tcn(
         dropout=dropout_rate
     )
     
-    # 如果是继续训练，加载现有模型
+    # TODO: Implement continue_training logic with the new model_manager
-    if continue_training and version != 'v1':
-        try:
-            from core.config import get_model_file_path
-            existing_model_path = get_model_file_path(product_id, 'tcn', version)
-            if os.path.exists(existing_model_path):
-                checkpoint = torch.load(existing_model_path, map_location=DEVICE)
-                model.load_state_dict(checkpoint['model_state_dict'])
-                print(f"加载现有模型: {existing_model_path}")
-                emit_progress(f"加载现有模型版本 {version} 进行继续训练")
-        except Exception as e:
-            print(f"无法加载现有模型，将重新开始训练: {e}")
-            emit_progress("无法加载现有模型，重新开始训练")
     
-    # 将模型移动到设备上
     model = model.to(DEVICE)
     
     criterion = nn.MSELoss()
@@ -276,20 +160,17 @@ def train_product_model_with_tcn(
     
     emit_progress("开始模型训练...")
     
-    # 训练模型
     train_losses = []
     test_losses = []
     start_time = time.time()
     
-    # 配置检查点保存
+    checkpoint_interval = max(1, epochs // 10)
-    checkpoint_interval = max(1, epochs // 10)  # 每10%进度保存一次，最少每1个epoch
     best_loss = float('inf')
     
     progress_manager.set_stage("model_training", 0)
     emit_progress(f"开始训练 - 总epoch: {epochs}, 检查点间隔: {checkpoint_interval}")
     
     for epoch in range(epochs):
-        # 开始新的轮次
         progress_manager.start_epoch(epoch)
         
         model.train()
@@ -298,43 +179,34 @@ def train_product_model_with_tcn(
         for batch_idx, (X_batch, y_batch) in enumerate(train_loader):
             X_batch, y_batch = X_batch.to(DEVICE), y_batch.to(DEVICE)
             
-            # 确保目标张量有正确的形状 (batch_size, forecast_horizon, 1)
             if y_batch.dim() == 2:
                 y_batch = y_batch.unsqueeze(-1)
             
-            # 前向传播
             outputs = model(X_batch)
             
-            # 确保输出和目标形状匹配
             loss = criterion(outputs, y_batch)
             
-            # 反向传播和优化
             optimizer.zero_grad()
             loss.backward()
             optimizer.step()
             
             epoch_loss += loss.item()
             
-            # 更新批次进度（每10个批次更新一次）
             if batch_idx % 10 == 0 or batch_idx == len(train_loader) - 1:
                 current_lr = optimizer.param_groups[0]['lr']
                 progress_manager.update_batch(batch_idx, loss.item(), current_lr)
         
-        # 计算训练损失
         train_loss = epoch_loss / len(train_loader)
         train_losses.append(train_loss)
         
-        # 设置验证阶段
         progress_manager.set_stage("validation", 0)
         
-        # 在测试集上评估
         model.eval()
         test_loss = 0
         with torch.no_grad():
             for batch_idx, (X_batch, y_batch) in enumerate(test_loader):
                 X_batch, y_batch = X_batch.to(DEVICE), y_batch.to(DEVICE)
                 
-                # 确保目标张量有正确的形状
                 if y_batch.dim() == 2:
                     y_batch = y_batch.unsqueeze(-1)
                 
@@ -342,7 +214,6 @@ def train_product_model_with_tcn(
                 loss = criterion(outputs, y_batch)
                 test_loss += loss.item()
                 
-                # 更新验证进度
                 if batch_idx % 5 == 0 or batch_idx == len(test_loader) - 1:
                     val_progress = (batch_idx / len(test_loader)) * 100
                     progress_manager.set_stage("validation", val_progress)
@@ -350,10 +221,8 @@ def train_product_model_with_tcn(
         test_loss = test_loss / len(test_loader)
         test_losses.append(test_loss)
         
-        # 完成当前轮次
         progress_manager.finish_epoch(train_loss, test_loss)
         
-        # 发送训练进度（保持与旧系统的兼容性）
         if (epoch + 1) % 5 == 0 or epoch == epochs - 1:
             progress = ((epoch + 1) / epochs) * 100
             current_metrics = {
@@ -365,7 +234,6 @@ def train_product_model_with_tcn(
             emit_progress(f"Epoch {epoch+1}/{epochs}, Train Loss: {train_loss:.4f}, Test Loss: {test_loss:.4f}", 
                          progress=progress, metrics=current_metrics)
         
-        # 定期保存检查点
         if (epoch + 1) % checkpoint_interval == 0 or epoch == epochs - 1:
             checkpoint_data = {
                 'epoch': epoch + 1,
@@ -399,30 +267,28 @@ def train_product_model_with_tcn(
                 }
             }
             
-            # 保存检查点
-            save_checkpoint(checkpoint_data, epoch + 1, model_identifier, 'tcn',
-                          model_dir, store_id, training_mode, aggregation_method)
-            
-            # 如果是最佳模型，额外保存一份
             if test_loss < best_loss:
                 best_loss = test_loss
-                save_checkpoint(checkpoint_data, 'best', model_identifier, 'tcn',
+                model_manager.save_model(
-                              model_dir, store_id, training_mode, aggregation_method)
+                    model_data=checkpoint_data,
+                    product_id=model_identifier,
+                    model_type='tcn',
+                    store_id=store_id,
+                    training_mode=training_mode,
+                    aggregation_method=aggregation_method,
+                    product_name=product_name,
+                    version='best'
+                )
                 emit_progress(f"💾 保存最佳模型检查点 (epoch {epoch+1}, test_loss: {test_loss:.4f})")
         
-            emit_progress(f"💾 保存训练检查点 epoch_{epoch+1}")
-        
         if (epoch + 1) % 10 == 0:
             print(f"Epoch {epoch+1}/{epochs}, Train Loss: {train_loss:.4f}, Test Loss: {test_loss:.4f}")
     
-    # 计算训练时间
     training_time = time.time() - start_time
     
-    # 设置模型保存阶段
     progress_manager.set_stage("model_saving", 0)
     emit_progress("训练完成，正在保存模型...")
     
-    # 绘制损失曲线并保存到模型目录
     loss_curve_path = plot_loss_curve(
         train_losses, 
         test_losses, 
@@ -432,23 +298,17 @@ def train_product_model_with_tcn(
     )
     print(f"损失曲线已保存到: {loss_curve_path}")
     
-    # 评估模型
     model.eval()
     with torch.no_grad():
-        # 确保测试数据的形状正确
         test_pred = model(testX_tensor.to(DEVICE))
-        # 将输出转换为二维数组 [samples, forecast_horizon]
         test_pred = test_pred.squeeze(-1).cpu().numpy()
         
-    # 反归一化预测结果和真实值
     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()
     
-    # 计算评估指标
     metrics = evaluate_model(test_true_inv, test_pred_inv)
     metrics['training_time'] = training_time
     
-    # 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}")
@@ -457,9 +317,8 @@ def train_product_model_with_tcn(
     print(f"MAPE: {metrics['mape']:.2f}%")
     print(f"训练时间: {training_time:.2f}秒")
     
-    # 保存最终训练完成的模型（基于最终epoch）
     final_model_data = {
-        'epoch': epochs,  # 最终epoch
+        'epoch': epochs,
         'model_state_dict': model.state_dict(),
         'optimizer_state_dict': optimizer.state_dict(),
         'train_loss': train_losses[-1],
@@ -495,10 +354,14 @@ def train_product_model_with_tcn(
     
     progress_manager.set_stage("model_saving", 50)
     
-    # 保存最终模型（使用epoch标识）
+    final_model_path, final_version = model_manager.save_model(
-    final_model_path = save_checkpoint(
+        model_data=final_model_data,
-        final_model_data, f"final_epoch_{epochs}", model_identifier, 'tcn',
+        product_id=model_identifier,
-        model_dir, store_id, training_mode, aggregation_method
+        model_type='tcn',
+        store_id=store_id,
+        training_mode=training_mode,
+        aggregation_method=aggregation_method,
+        product_name=product_name
     )
     
     progress_manager.set_stage("model_saving", 100)
@@ -510,9 +373,10 @@ def train_product_model_with_tcn(
         'r2': metrics['r2'],
         'mape': metrics['mape'],
         'training_time': training_time,
-        'final_epoch': epochs
+        'final_epoch': epochs,
+        'version': final_version
     }
     
-    emit_progress(f"模型训练完成！最终epoch: {epochs}", progress=100, metrics=final_metrics)
+    emit_progress(f"模型训练完成！版本 {final_version} 已保存", progress=100, metrics=final_metrics)
     
     return model, metrics, epochs, final_model_path

server/trainers/transformer_trainer.py

@@ -21,43 +21,11 @@ from utils.multi_store_data_utils import get_store_product_sales_data, aggregate
 from utils.visualization import plot_loss_curve
 from analysis.metrics import evaluate_model
 from core.config import (
-    DEVICE, DEFAULT_MODEL_DIR, LOOK_BACK, FORECAST_HORIZON,
+    DEVICE, DEFAULT_MODEL_DIR, LOOK_BACK, FORECAST_HORIZON
-    get_next_model_version, get_model_file_path, get_latest_model_version
 )
 from utils.training_progress import progress_manager
 from utils.model_manager import model_manager
 
-def save_checkpoint(checkpoint_data: dict, epoch_or_label, model_identifier: str,
-                   model_type: str, model_dir: str, store_id=None,
-                   training_mode: str = 'product', aggregation_method=None):
-    """
-    保存训练检查点
-    
-    Args:
-        checkpoint_data: 检查点数据
-        epoch_or_label: epoch编号或标签（如'best'）
-        product_id: 产品ID
-        model_type: 模型类型
-        model_dir: 模型保存目录
-        store_id: 店铺ID
-        training_mode: 训练模式
-        aggregation_method: 聚合方法
-    """
-    # 直接在模型根目录保存，不再创建子目录
-    checkpoint_dir = model_dir
-    os.makedirs(checkpoint_dir, exist_ok=True)
-    
-    # 修正：直接使用product_id作为唯一标识符，因为它已经包含了store_前缀或药品ID
-    filename = f"{model_type}_{model_identifier}_epoch_{epoch_or_label}.pth"
-    
-    checkpoint_path = os.path.join(checkpoint_dir, filename)
-    
-    # 保存检查点
-    torch.save(checkpoint_data, checkpoint_path)
-    print(f"[Transformer] 检查点已保存: {checkpoint_path}", flush=True)
-    
-    return checkpoint_path
-
 def train_product_model_with_transformer(
     product_id,
     model_identifier,
@@ -79,23 +47,8 @@ def train_product_model_with_transformer(
 ):
     """
     使用Transformer模型训练产品销售预测模型
-    
-    参数:
-    product_id: 产品ID
-    epochs: 训练轮次
-    model_dir: 模型保存目录，默认使用配置中的DEFAULT_MODEL_DIR
-    version: 指定版本号，如果为None则自动生成
-    socketio: WebSocket对象，用于实时反馈
-    task_id: 训练任务ID
-    continue_training: 是否继续训练现有模型
-    
-    返回:
-    model: 训练好的模型
-    metrics: 模型评估指标
-    version: 实际使用的版本号
     """
     
-    # WebSocket进度反馈函数
     def emit_progress(message, progress=None, metrics=None):
         """发送训练进度到前端"""
         if socketio and task_id:
@@ -110,18 +63,15 @@ def train_product_model_with_transformer(
                 data['metrics'] = metrics
             socketio.emit('training_progress', data, namespace='/training')
         print(f"[{time.strftime('%H:%M:%S')}] {message}", flush=True)
-        # 强制刷新输出缓冲区
         import sys
         sys.stdout.flush()
         sys.stderr.flush()
     
     emit_progress("开始Transformer模型训练...")
     
-    # 获取训练进度管理器实例
     try:
         from utils.training_progress import progress_manager
     except ImportError:
-        # 如果无法导入，创建一个空的管理器以避免错误
         class DummyProgressManager:
             def set_stage(self, *args, **kwargs): pass
             def start_training(self, *args, **kwargs): pass
@@ -131,50 +81,19 @@ def train_product_model_with_transformer(
             def finish_training(self, *args, **kwargs): pass
         progress_manager = DummyProgressManager()
     
-    # 如果没有传入product_df，则根据训练模式加载数据
     if product_df is None:
-        from utils.multi_store_data_utils import load_multi_store_data, get_store_product_sales_data, aggregate_multi_store_data
+        from utils.multi_store_data_utils import aggregate_multi_store_data
-        
+        product_df = aggregate_multi_store_data(
-        try:
+            product_id=product_id,
-            if training_mode == 'store' and store_id:
+            aggregation_method=aggregation_method
-                # 加载特定店铺的数据
+        )
-                product_df = get_store_product_sales_data(
+        training_scope = f"全局聚合({aggregation_method})"
-                    store_id,
-                    product_id,
-                    'pharmacy_sales_multi_store.csv'
-                )
-                training_scope = f"店铺 {store_id}"
-            elif training_mode == 'global':
-                # 聚合所有店铺的数据
-                product_df = aggregate_multi_store_data(
-                    product_id,
-                    aggregation_method=aggregation_method,
-                    file_path='pharmacy_sales_multi_store.csv'
-                )
-                training_scope = f"全局聚合({aggregation_method})"
-            else:
-                # 默认：加载所有店铺的产品数据
-                product_df = load_multi_store_data('pharmacy_sales_multi_store.csv', product_id=product_id)
-                training_scope = "所有店铺"
-        except Exception as e:
-            print(f"多店铺数据加载失败: {e}")
-            # 后备方案：尝试原始数据
-            df = pd.read_excel('pharmacy_sales.xlsx')
-            product_df = df[df['product_id'] == product_id].sort_values('date')
-            training_scope = "原始数据"
     else:
-        # 如果传入了product_df，直接使用
+        training_scope = "所有店铺"
-        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"
     
     if product_df.empty:
         raise ValueError(f"产品 {product_id} 没有可用的销售数据")
     
-    # 数据量检查
     min_required_samples = sequence_length + forecast_horizon
     if len(product_df) < min_required_samples:
         error_msg = (
@@ -182,10 +101,6 @@ def train_product_model_with_transformer(
             f"当前配置需要: {min_required_samples} 天数据 (LOOK_BACK={sequence_length} + FORECAST_HORIZON={forecast_horizon})\n"
             f"实际数据量: {len(product_df)} 天\n"
             f"产品ID: {product_id}, 训练模式: {training_mode}\n"
-            f"建议解决方案:\n"
-            f"1. 生成更多数据: uv run generate_multi_store_data.py\n"
-            f"2. 调整配置参数: 减小 LOOK_BACK 或 FORECAST_HORIZON\n"
-            f"3. 使用全局训练模式聚合更多数据"
         )
         print(error_msg)
         raise ValueError(error_msg)
@@ -197,18 +112,14 @@ def train_product_model_with_transformer(
     print(f"[Device] 使用设备: {DEVICE}", flush=True)
     print(f"[Model] 模型将保存到目录: {model_dir}", flush=True)
     
-    # 创建特征和目标变量
     features = ['sales', 'weekday', 'month', 'is_holiday', 'is_weekend', 'is_promotion', 'temperature']
     
-    # 设置数据预处理阶段
     progress_manager.set_stage("data_preprocessing", 0)
     emit_progress("数据预处理中...")
     
-    # 预处理数据
     X = product_df[features].values
-    y = product_df[['sales']].values  # 保持为二维数组
+    y = product_df[['sales']].values
     
-    # 归一化数据
     scaler_X = MinMaxScaler(feature_range=(0, 1))
     scaler_y = MinMaxScaler(feature_range=(0, 1))
     
@@ -217,24 +128,20 @@ def train_product_model_with_transformer(
     
     progress_manager.set_stage("data_preprocessing", 40)
     
-    # 划分训练集和测试集（80% 训练，20% 测试）
     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:]
     
-    # 创建时间序列数据
     trainX, trainY = create_dataset(X_train, y_train, sequence_length, forecast_horizon)
     testX, testY = create_dataset(X_test, y_test, sequence_length, forecast_horizon)
     
     progress_manager.set_stage("data_preprocessing", 70)
     
-    # 转换为PyTorch的Tensor
     trainX_tensor = torch.Tensor(trainX)
     trainY_tensor = torch.Tensor(trainY)
     testX_tensor = torch.Tensor(testX)
     testY_tensor = torch.Tensor(testY)
     
-    # 创建数据加载器
     train_dataset = PharmacyDataset(trainX_tensor, trainY_tensor)
     test_dataset = PharmacyDataset(testX_tensor, testY_tensor)
     
@@ -242,7 +149,6 @@ def train_product_model_with_transformer(
     train_loader = DataLoader(train_dataset, batch_size=batch_size, shuffle=True)
     test_loader = DataLoader(test_dataset, batch_size=batch_size, shuffle=False)
     
-    # 更新进度管理器的批次信息
     total_batches = len(train_loader)
     total_samples = len(train_dataset)
     progress_manager.total_batches_per_epoch = total_batches
@@ -252,7 +158,6 @@ def train_product_model_with_transformer(
     progress_manager.set_stage("data_preprocessing", 100)
     emit_progress("数据预处理完成，开始模型训练...")
     
-    # 初始化Transformer模型
     input_dim = X_train.shape[1]
     output_dim = forecast_horizon
     hidden_size = 64
@@ -272,20 +177,17 @@ def train_product_model_with_transformer(
         batch_size=batch_size
     )
     
-    # 将模型移动到设备上
     model = model.to(DEVICE)
     
     criterion = nn.MSELoss()
     optimizer = optim.Adam(model.parameters(), lr=learning_rate)
     scheduler = torch.optim.lr_scheduler.ReduceLROnPlateau(optimizer, 'min', patience=patience // 2, factor=0.5)
     
-    # 训练模型
     train_losses = []
     test_losses = []
     start_time = time.time()
     
-    # 配置检查点保存
+    checkpoint_interval = max(1, epochs // 10)
-    checkpoint_interval = max(1, epochs // 10)  # 每10%进度保存一次，最少每1个epoch
     best_loss = float('inf')
     epochs_no_improve = 0
     
@@ -293,7 +195,6 @@ def train_product_model_with_transformer(
     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):
-        # 开始新的轮次
         progress_manager.start_epoch(epoch)
         
         model.train()
@@ -302,12 +203,9 @@ def train_product_model_with_transformer(
         for batch_idx, (X_batch, y_batch) in enumerate(train_loader):
             X_batch, y_batch = X_batch.to(DEVICE), y_batch.to(DEVICE)
             
-            # 确保目标张量有正确的形状
-            # 前向传播
             outputs = model(X_batch)
             loss = criterion(outputs, y_batch)
             
-            # 反向传播和优化
             optimizer.zero_grad()
             loss.backward()
             if clip_norm:
@@ -316,31 +214,25 @@ def train_product_model_with_transformer(
             
             epoch_loss += loss.item()
             
-            # 更新批次进度
             if batch_idx % 5 == 0 or batch_idx == len(train_loader) - 1:
                 current_lr = optimizer.param_groups[0]['lr']
                 progress_manager.update_batch(batch_idx, loss.item(), current_lr)
         
-        # 计算训练损失
         train_loss = epoch_loss / len(train_loader)
         train_losses.append(train_loss)
         
-        # 设置验证阶段
         progress_manager.set_stage("validation", 0)
         
-        # 在测试集上评估
         model.eval()
         test_loss = 0
         with torch.no_grad():
             for batch_idx, (X_batch, y_batch) in enumerate(test_loader):
                 X_batch, y_batch = X_batch.to(DEVICE), y_batch.to(DEVICE)
                 
-                # 确保目标张量有正确的形状
                 outputs = model(X_batch)
                 loss = criterion(outputs, y_batch)
                 test_loss += loss.item()
                 
-                # 更新验证进度
                 if batch_idx % 3 == 0 or batch_idx == len(test_loader) - 1:
                     val_progress = (batch_idx / len(test_loader)) * 100
                     progress_manager.set_stage("validation", val_progress)
@@ -348,13 +240,10 @@ def train_product_model_with_transformer(
         test_loss = test_loss / len(test_loader)
         test_losses.append(test_loss)
         
-        # 更新学习率
         scheduler.step(test_loss)
         
-        # 完成当前轮次
         progress_manager.finish_epoch(train_loss, test_loss)
         
-        # 发送训练进度
         if (epoch + 1) % 5 == 0 or epoch == epochs - 1:
             progress = ((epoch + 1) / epochs) * 100
             current_metrics = {
@@ -366,7 +255,6 @@ def train_product_model_with_transformer(
             emit_progress(f"Epoch {epoch+1}/{epochs}, Train Loss: {train_loss:.4f}, Test Loss: {test_loss:.4f}", 
                          progress=progress, metrics=current_metrics)
         
-        # 定期保存检查点
         if (epoch + 1) % checkpoint_interval == 0 or epoch == epochs - 1:
             checkpoint_data = {
                 'epoch': epoch + 1,
@@ -399,38 +287,35 @@ def train_product_model_with_transformer(
                 }
             }
             
-            # 保存检查点
-            save_checkpoint(checkpoint_data, epoch + 1, model_identifier, 'transformer',
-                          model_dir, store_id, training_mode, aggregation_method)
-            
-            # 如果是最佳模型，额外保存一份
             if test_loss < best_loss:
                 best_loss = test_loss
-                save_checkpoint(checkpoint_data, 'best', model_identifier, 'transformer',
+                model_manager.save_model(
-                              model_dir, store_id, training_mode, aggregation_method)
+                    model_data=checkpoint_data,
+                    product_id=model_identifier,
+                    model_type='transformer',
+                    store_id=store_id,
+                    training_mode=training_mode,
+                    aggregation_method=aggregation_method,
+                    product_name=product_name,
+                    version='best'
+                )
                 emit_progress(f"💾 保存最佳模型检查点 (epoch {epoch+1}, test_loss: {test_loss:.4f})")
                 epochs_no_improve = 0
             else:
                 epochs_no_improve += 1
         
-            emit_progress(f"💾 保存训练检查点 epoch_{epoch+1}")
-        
         if (epoch + 1) % 10 == 0:
             print(f"📊 Epoch {epoch+1}/{epochs}, 训练损失: {train_loss:.4f}, 测试损失: {test_loss:.4f}", flush=True)
 
-        # 提前停止逻辑
         if epochs_no_improve >= patience:
             emit_progress(f"连续 {patience} 个epoch测试损失未改善，提前停止训练。")
             break
     
-    # 计算训练时间
     training_time = time.time() - start_time
     
-    # 设置模型保存阶段
     progress_manager.set_stage("model_saving", 0)
     emit_progress("训练完成，正在保存模型...")
     
-    # 绘制损失曲线并保存到模型目录
     loss_curve_path = plot_loss_curve(
         train_losses, 
         test_losses, 
@@ -440,21 +325,17 @@ def train_product_model_with_transformer(
     )
     print(f"📈 损失曲线已保存到: {loss_curve_path}", flush=True)
     
-    # 评估模型
     model.eval()
     with torch.no_grad():
         test_pred = model(testX_tensor.to(DEVICE)).cpu().numpy()
         test_true = testY
         
-    # 反归一化预测结果和真实值
     test_pred_inv = scaler_y.inverse_transform(test_pred)
     test_true_inv = scaler_y.inverse_transform(test_true)
     
-    # 计算评估指标
     metrics = evaluate_model(test_true_inv, test_pred_inv)
     metrics['training_time'] = training_time
     
-    # 打印评估指标
     print(f"\n📊 模型评估指标:", flush=True)
     print(f"   MSE: {metrics['mse']:.4f}", flush=True)
     print(f"   RMSE: {metrics['rmse']:.4f}", flush=True)
@@ -463,9 +344,8 @@ def train_product_model_with_transformer(
     print(f"   MAPE: {metrics['mape']:.2f}%", flush=True)
     print(f"   ⏱️  训练时间: {training_time:.2f}秒", flush=True)
     
-    # 保存最终训练完成的模型（基于最终epoch）
     final_model_data = {
-        'epoch': epochs,  # 最终epoch
+        'epoch': epochs,
         'model_state_dict': model.state_dict(),
         'optimizer_state_dict': optimizer.state_dict(),
         'train_loss': train_losses[-1],
@@ -500,10 +380,14 @@ def train_product_model_with_transformer(
     
     progress_manager.set_stage("model_saving", 50)
     
-    # 保存最终模型（使用epoch标识）
+    final_model_path, final_version = model_manager.save_model(
-    final_model_path = save_checkpoint(
+        model_data=final_model_data,
-        final_model_data, f"final_epoch_{epochs}", model_identifier, 'transformer',
+        product_id=model_identifier,
-        model_dir, store_id, training_mode, aggregation_method
+        model_type='transformer',
+        store_id=store_id,
+        training_mode=training_mode,
+        aggregation_method=aggregation_method,
+        product_name=product_name
     )
     
     progress_manager.set_stage("model_saving", 100)
@@ -511,7 +395,6 @@ def train_product_model_with_transformer(
     
     print(f"💾 模型已保存到 {final_model_path}", flush=True)
     
-    # 准备最终返回的指标
     final_metrics = {
         'mse': metrics['mse'],
         'rmse': metrics['rmse'],
@@ -519,7 +402,8 @@ def train_product_model_with_transformer(
         'r2': metrics['r2'],
         'mape': metrics['mape'],
         'training_time': training_time,
-        'final_epoch': epochs
+        'final_epoch': epochs,
+        'version': final_version
     }
     
     return model, final_metrics, epochs

server/utils/model_manager.py

@@ -8,6 +8,7 @@ import json
 import torch
 import glob
 from datetime import datetime
+import re
 from typing import List, Dict, Optional, Tuple
 from core.config import DEFAULT_MODEL_DIR
 
@@ -24,6 +25,27 @@ class ModelManager:
         if not os.path.exists(self.model_dir):
             os.makedirs(self.model_dir)
     
+    def _get_next_version(self, product_id: str, model_type: str, store_id: Optional[str] = None, training_mode: str = 'product') -> int:
+        """获取下一个模型版本号 (纯数字)"""
+        search_pattern = self.generate_model_filename(
+            product_id=product_id,
+            model_type=model_type,
+            version='v*',
+            store_id=store_id,
+            training_mode=training_mode
+        )
+        
+        full_search_path = os.path.join(self.model_dir, search_pattern)
+        existing_files = glob.glob(full_search_path)
+        
+        max_version = 0
+        for f in existing_files:
+            match = re.search(r'_v(\d+)\.pth$', os.path.basename(f))
+            if match:
+                max_version = max(max_version, int(match.group(1)))
+        
+        return max_version + 1
+
     def generate_model_filename(self,
                                product_id: str,
                                model_type: str,
@@ -51,29 +73,29 @@ class ModelManager:
                    model_data: dict,
                    product_id: str,
                    model_type: str,
-                   version: str,
                    store_id: Optional[str] = None,
                    training_mode: str = 'product',
                    aggregation_method: Optional[str] = None,
-                   product_name: Optional[str] = None) -> str:
+                   product_name: Optional[str] = None,
+                   version: Optional[str] = None) -> Tuple[str, str]:
         """
-        保存模型到统一位置
+        保存模型到统一位置，并自动管理版本。
         
         参数:
-        model_data: 包含模型状态和配置的字典
+        ...
-        product_id: 产品ID
+        version: (可选) 如果提供，则覆盖自动版本控制 (如 'best')。
-        model_type: 模型类型
-        version: 版本号
-        store_id: 店铺ID (可选)
-        training_mode: 训练模式
-        aggregation_method: 聚合方法 (可选)
-        product_name: 产品名称 (可选)
         
         返回:
-        模型文件路径
+        (模型文件路径, 使用的版本号)
         """
+        if version is None:
+            next_version_num = self._get_next_version(product_id, model_type, store_id, training_mode)
+            version_str = f"v{next_version_num}"
+        else:
+            version_str = version
+
         filename = self.generate_model_filename(
-            product_id, model_type, version, store_id, training_mode, aggregation_method
+            product_id, model_type, version_str, store_id, training_mode, aggregation_method
         )
         
         # 统一保存到根目录，避免复杂的子目录结构
@@ -86,7 +108,7 @@ class ModelManager:
                 'product_id': product_id,
                 'product_name': product_name or product_id,
                 'model_type': model_type,
-                'version': version,
+                'version': version_str,
                 'store_id': store_id,
                 'training_mode': training_mode,
                 'aggregation_method': aggregation_method,
@@ -99,7 +121,7 @@ class ModelManager:
         torch.save(enhanced_model_data, model_path)
         
         print(f"模型已保存: {model_path}")
-        return model_path
+        return model_path, version_str
     
     def list_models(self, 
                    product_id: Optional[str] = None,

新需求开发流程.md

@@ -1,101 +1,150 @@
-# 新需求开发流程
+# 新需求开发标准流程
 
-本文档旨在提供一个标准、安全的新功能开发工作流，涵盖从创建功能分支到最终合并回主开发分支的完整步骤。
+本文档旨在提供一个标准、安全、高效的新功能开发工作流，涵盖从创建功能分支到最终合并回主开发分支的完整步骤，并融入日常开发的最佳实践。
 
-## 核心流程
+## 核心开发理念
 
-采用功能分支（Feature Branch）的工作模式，主要步骤如下：
+- **主分支保护**: `lyf-dev` 是团队的主开发分支，应始终保持稳定和可部署状态。所有新功能开发都必须在独立的功能分支中进行。
-
+- **功能分支**: 每个新需求（如 `req0001`）都对应一个功能分支（如 `lyf-dev-req0001`）。分支命名应清晰、有意义。
-1.  **同步与切换**：将远程创建的新功能分支（如 `lyf-dev-req0001`）同步到本地并切换。
+- **小步快跑**: 频繁提交（Commit）、频繁推送（Push）、频繁与主线同步（`rebase` 或 `merge`）。这能有效减少后期合并的难度和风险。
-2.  **开发与提交**：在本地功能分支上进行开发，并频繁提交改动。
+- **清晰的历史**: 保持 Git 提交历史的可读性，方便代码审查（Code Review）和问题追溯。
-3.  **推送与备份**：将本地的改动推送到远程功能分支。
-4.  **合并回主线**：当功能开发测试完成后，将其合并回主开发分支（如 `lyf-dev`）。
-5.  **清理分支**：合并完成后，清理已完成使命的功能分支。
 
 ---
 
-## 详细命令使用步骤
+## 每日工作第一步：同步最新代码
 
-### 步骤一：同步远程分支到本地
+**无论你昨天工作到哪里，每天开始新一天的工作时，请务必执行以下步骤。这是保证团队高效协作、避免合并冲突的基石。**
 
-假设您的同事已经在远程仓库基于 `lyf-dev` 创建了 `lyf-dev-req0001` 分支。
+1.  **更新主开发分支 `lyf-dev`**
-
-1.  **获取远程所有最新信息**：
-    这个命令会把远程仓库的新分支信息下载到你的本地，但不会做任何修改。
     ```bash
-    git fetch origin
+    # 切换到主开发分支
+    git checkout lyf-dev
+
+    # 从远程拉取最新代码，--prune 会清理远程已删除的分支引用
+    git pull origin lyf-dev --prune
     ```
 
-2.  **创建并切换到本地功能分支**：
+2.  **同步你的功能分支 (团队选择一种方案)**
-    这个命令会在本地创建一个名为 `lyf-dev-req0001` 的新分支，并自动设置它跟踪远程的 `origin/lyf-dev-req0001` 分支。
+    将主分支的最新代码同步到你的功能分支，有两种主流方案，请团队根据偏好选择其一。
+
+    ---
+    ### 方案一 (推荐): 使用 `rebase` 保持历史清爽
+
+    此方案会让你的分支提交历史保持为一条直线，非常清晰。
+
     ```bash
+    # 切换回你正在开发的功能分支（例如 lyf-dev-req0001）
     git checkout lyf-dev-req0001
+
+    # 使用 rebase 将 lyf-dev 的最新更新同步到你的分支
+    git rebase lyf-dev
     ```
-    现在，您已经处于一个干净、独立的功能分支上，可以开始开发了。
+    - **优点**: 最终的提交历史非常干净、线性，便于代码审查和问题追溯。
+    - **缺点**: 重写了提交历史，需要使用 `git push --force-with-lease` 强制推送。
+    - **冲突解决**:
+        1.  手动修改冲突文件。
+        2.  执行 `git add <冲突文件>`。
+        3.  执行 `git rebase --continue`。
+        4.  若想中止，执行 `git rebase --abort`。
 
-### 步骤二：在功能分支上开发
+    ---
+    ### 方案二: 使用 `merge` 保留完整历史
 
-在这个分支上进行的所有修改都与 `lyf-dev` 无关，可以放心操作。
+    此方案会忠实记录每一次合并操作，不修改历史提交。
 
-1.  **修改代码**：根据需求添加、修改文件。
-
-2.  **提交改动**：
-    建议小步快跑，完成一个小的功能点就提交一次。
     ```bash
-    # 将所有修改添加到暂存区
+    # 切换回你正在开发的功能分支（例如 lyf-dev-req0001）
+    git checkout lyf-dev-req0001
+
+    # 将最新的 lyf-dev 合并到你当前的分支
+    git merge lyf-dev
+    ```
+    - **优点**: 操作安全，不修改历史，推送时无需强制。
+    - **缺点**: 会在功能分支中产生额外的合并提交记录 (e.g., "Merge branch 'lyf-dev' into ...")，使历史记录变得复杂。
+    - **冲突解决**:
+        1.  手动修改冲突文件。
+        2.  执行 `git add <冲突文件>`。
+        3.  执行 `git commit` 完成合并。
+
+---
+
+## 完整开发流程
+
+### 1. 开始新需求：创建功能分支
+
+**当你需要开启一个全新的功能开发时：**
+
+1.  **确保 `lyf-dev` 已是最新**
+    （此步骤已在“每日工作第一步”中完成，此处作为提醒）
+
+2.  **从 `lyf-dev` 创建并切换到新分支**
+    假设新需求编号是 `req0002`：
+    ```bash
+    # 这会从最新的 lyf-dev 创建 lyf-dev-req0002 分支并切换过去
+    git checkout -b lyf-dev-req0002
+    ```
+
+### 2. 日常开发：提交与推送
+
+**在你的功能分支上（如 `lyf-dev-req0002`）进行开发：**
+
+1.  **编码与本地提交**
+    完成一个小的、完整的功能点后，就进行一次提交。
+    ```bash
+    # 查看修改状态
+    git status
+    # 添加所有相关文件到暂存区
     git add .
-
+    # 提交并撰写清晰的说明（feat: 功能, fix: 修复, docs: 文档等）
-    # 提交并撰写清晰的说明
+    git commit -m "feat: 实现用户认证模块"
-    git commit -m "feat: 完成用户登录接口"
     ```
 
-3.  **推送到远程功能分支**：
+2.  **推送改动到远程备份**
-    为了备份代码或与他人协作，需要将本地的提交推送到远程。
+    为了代码安全和方便团队协作，应频繁将本地提交推送到远程。
     ```bash
-    git push origin lyf-dev-req0001
+    # -u 参数会设置本地分支跟踪远程分支，后续只需 git push 即可
+    git push -u origin lyf-dev-req0002
     ```
 
-### 步骤三：合并功能到主开发分支 (`lyf-dev`)
+### 3. 功能完成：合并回主线
 
-当新功能开发完成，并且经过充分测试后，执行以下步骤将其合并回 `lyf-dev`。
+**当功能开发完成并通过测试后，将其合并回 `lyf-dev`：**
 
-1.  **切换回主开发分支**：
+1.  **最后一次同步**
+    在正式合并前，做最后一次同步，确保分支包含了 `lyf-dev` 的所有最新内容。
+    （重复“每日工作第一步”中的同步流程）
+
+2.  **切换到主分支并拉取最新代码**
     ```bash
     git checkout lyf-dev
-    ```
-
-2.  **确保 `lyf-dev` 是最新的**：
-    在合并前，务必先从远程拉取 `lyf-dev` 的最新代码，以防他人在此期间有更新。
-    ```bash
     git pull origin lyf-dev
     ```
 
-3.  **合并功能分支**：
+3.  **合并功能分支**
-    这是最关键的一步，将 `lyf-dev-req0001` 的所有新功能合并进来。
+    我们使用 `--no-ff` (No Fast-forward) 参数来创建合并提交，这样可以清晰地记录“合并了一个功能”这个行为。
     ```bash
-    git merge lyf-dev-req0001
+    # --no-ff 会创建一个新的合并提交，保留分支历史
+    git merge --no-ff lyf-dev-req0002
     ```
-    - **无冲突**：Git 会自动完成合并。
+    如果同步工作做得好，这一步通常不会有冲突。
-    - **有冲突 (Conflict)**：Git 会提示你哪些文件冲突了。你需要手动解决这些文件中的冲突，然后执行 `git add .` 和 `git commit` 来完成合并。
 
-4.  **推送合并后的 `lyf-dev`**：
+4.  **推送合并后的主分支**
-    将本地合并好的 `lyf-dev` 分支推送到远程仓库。
     ```bash
     git push origin lyf-dev
     ```
 
-### 步骤四：清理分支（可选）
+### 4. 清理工作
 
-合并完成后，功能分支的历史使命就完成了。为了保持仓库的整洁，可以删除它。
+**合并完成后，功能分支的历史使命就完成了：**
 
-1.  **删除远程分支**：
+1.  **删除远程分支**
     ```bash
-    git push origin --delete lyf-dev-req0001
+    git push origin --delete lyf-dev-req0002
     ```
 
-2.  **删除本地分支**：
+2.  **删除本地分支**
     ```bash
-    git branch -d lyf-dev-req0001
+    git branch -d lyf-dev-req0002
     ```
 
-遵循以上流程，可以确保您的开发工作流清晰、安全且高效。
+遵循以上流程，可以确保团队的开发工作流清晰、安全且高效。