# 药店销售预测系统用户手册

## 目录

1. [系统介绍](#系统介绍)
2. [系统架构](#系统架构)
3. [系统安装与配置](#系统安装与配置)
4. [功能模块说明](#功能模块说明)
   - [首页概览](#首页概览)
   - [数据管理](#数据管理)
   - [模型训练](#模型训练)
   - [预测分析](#预测分析)
   - [模型管理](#模型管理)
5. [命令行操作指南](#命令行操作指南)
6. [常见问题解答](#常见问题解答)
7. [技术支持](#技术支持)

## 系统介绍

药店销售预测系统是一款基于人工智能的药品销售预测工具，通过深度学习算法分析历史销售数据，为药店提供精准的销售预测服务，帮助药店优化库存管理，提高经营效率。

系统采用前后端分离的架构，前端基于Vue.js和Element Plus构建现代化的用户界面，后端使用Flask提供RESTful API服务，支持多种预测模型，包括mLSTM、Transformer和KAN（Kolmogorov-Arnold Network）。

![系统首页截图](assets/首页截图.png)

## 系统架构

```mermaid
graph TD
    subgraph "前端 UI 层"
        A[浏览器客户端] --> B[Vue.js 应用]
        B --> C1[数据管理视图]
        B --> C2[模型训练视图]
        B --> C3[预测分析视图]
        B --> C4[模型管理视图]
    end

    subgraph "后端 API 层"
        D[Flask 服务器] --> E1[数据管理API]
        D --> E2[模型训练API]
        D --> E3[预测分析API]
        D --> E4[模型管理API]
    end

    subgraph "模型层"
        F1[mLSTM 模型]
        F2[Transformer 模型]
        F3[KAN 模型]
    end

    subgraph "数据存储层"
        G1[销售数据 Excel文件]
        G2[模型文件 .pt]
        G3[预测结果文件]
    end

    %% 连接各层
    C1 <--> E1
    C2 <--> E2
    C3 <--> E3
    C4 <--> E4

    E1 <--> G1
    E2 --> F1
    E2 --> F2
    E2 --> F3
    E3 --> F1
    E3 --> F2
    E3 --> F3
    E4 --> G2

    F1 --> G2
    F2 --> G2
    F3 --> G2

    E3 --> G3
```

系统由以下几部分组成：

1. **前端界面**：基于Vue.js和Element Plus构建的用户交互界面
2. **后端API**：基于Flask的RESTful API服务
3. **预测模型**：包含mLSTM、Transformer和KAN三种深度学习模型
4. **数据存储**：使用文件系统存储模型和预测结果

## 系统安装与配置

### 前端部署

1. 确保已安装Node.js环境（推荐v16.0.0以上版本）
2. 进入UI目录：`cd UI`
3. 安装依赖：`npm install`
4. 开发模式运行：`npm run dev`
5. 构建生产版本：`npm run build`

### 后端部署

1. 确保已安装Python环境（推荐Python 3.10以上版本）
2. 安装依赖：`pip install -r requirements.txt`
3. 启动API服务：`python api.py`

服务器将在默认端口5000上运行。

### 访问前端界面
在浏览器中访问：
```
http://localhost:5000/ui/
```

## 功能模块说明

### 首页概览

首页提供系统的整体概况，包括产品数量、已训练模型数量、平均预测准确率等关键指标，以及最近的预测结果和活跃模型列表。

**操作步骤**：
1. 登录系统后，默认进入首页
2. 查看关键统计指标和最近活动

![首页截图](assets/首页截图.png)

### 数据管理

数据管理模块允许用户上传、查看和管理药品销售数据。系统支持Excel格式的数据上传，并提供数据可视化功能。

**操作步骤**：
1. 点击左侧菜单的"数据管理"
2. 查看现有产品列表
3. 点击"上传销售数据"按钮上传新数据
4. 点击产品名称查看详细销售数据和趋势图

![数据管理页面](assets/数据管理页.png)

**历史数据查看**：

![数据详情查看](assets/数据管理-历史数据查看.png)

### 模型训练

模型训练模块允许用户选择产品和算法模型，启动训练任务，并查看训练进度和结果。

**操作步骤**：
1. 点击左侧菜单的"模型训练"
2. 在左侧面板选择产品、模型类型和训练参数
3. 点击"启动训练"按钮
4. 在右侧任务列表查看训练状态和结果

![模型训练页面](assets/模型训练.png)

### 预测分析

预测分析模块允许用户使用已训练的模型进行销售预测，并提供预测结果的可视化展示。

**操作步骤**：
1. 点击左侧菜单的"预测分析"
2. 选择产品、模型类型和预测参数
3. 点击"查询可用模型"按钮
4. 从模型列表中选择一个模型，点击"执行预测"
5. 查看预测结果图表和数据

![预测分析页面](assets/预测分析.png)

**预测结果展示**：

![预测结果1](assets/预测结果1.png)

![预测结果2](assets/预测结果2.png)

### 模型管理

模型管理模块允许用户查看、导出和删除已训练的模型，也支持导入外部模型。

**操作步骤**：
1. 点击左侧菜单的"模型管理"
2. 查看模型列表
3. 使用过滤器筛选特定产品或模型类型
4. 点击"详情"查看模型详细信息
5. 点击"导出"下载模型文件
6. 点击"删除"移除不需要的模型
7. 点击"导入模型"上传外部训练的模型文件

![模型管理页面](assets/模型管理.png)

## 系统组件

### 1. 前端UI
- 基于Vue.js和Element Plus构建的现代化界面
- 蓝色主题的沉浸式用户体验
- 响应式设计，适配不同设备屏幕

### 2. 后端API
- 基于Flask的RESTful API
- 支持数据上传、模型训练、销售预测和模型管理
- Swagger API文档支持

### 3. 预测模型
- **mLSTM模型**：多层长短期记忆网络，适合序列数据预测
- **Transformer模型**：基于自注意力机制，捕捉长期依赖关系
- **KAN模型**：Kolmogorov-Arnold网络，具有高精度的函数拟合能力

### 4. 数据管理
- 支持Excel格式的销售数据导入导出
- 历史销售数据可视化
- 预测结果可视化与导出

## 命令行操作指南

除了图形界面外，系统也提供命令行操作方式，适合高级用户和自动化脚本使用。

### 快速入门

在项目根目录下，运行以下命令启动命令行界面：

```bash
python run_pharmacy_prediction.py
```

### 主菜单导航

启动后，您将看到主菜单界面：

```
==========================================
🏪 药店单品销售预测系统 🏪
==========================================
1. 训练所有药品的销售预测模型
2. 训练单个药品的销售预测模型（Transformer）
3. 训练单个药品的销售预测模型（mLSTM）
4. 训练单个药品的销售预测模型（KAN）
5. 查看已有预测结果
6. 使用已训练的模型进行预测
7. 比较不同模型的预测结果
8. 模型管理
0. 退出
==========================================
```

### 功能详解

#### 训练模型

系统支持三种主要的模型训练方式：

- **训练所有药品模型**：选择主菜单中的选项`1`
- **训练单个药品模型**：选择选项`2`、`3`或`4`，分别使用Transformer、mLSTM或KAN模型

#### 查看预测结果

选择主菜单中的选项`5`，系统会显示已有的预测结果列表。

#### 使用模型预测

选择主菜单中的选项`6`，可以使用已训练的模型进行预测。

#### 比较模型预测结果

选择主菜单中的选项`7`，可以比较不同模型对同一产品的预测结果。

#### 模型管理

选择主菜单中的选项`8`，进入模型管理子菜单：

```
==========================================
📊 药店销售预测系统 - 模型管理工具 📊
==========================================
1. 查看所有模型
2. 查看特定产品的模型
3. 查看特定模型的详细信息
4. 使用模型进行预测
5. 比较不同模型的预测结果
6. 删除模型
7. 导出模型
8. 导入模型
0. 退出
==========================================
```

### 命令行参数

许多功能也可以通过命令行参数直接调用，例如：

```bash
# 使用mLSTM模型训练P001产品的销售预测模型
python run_pharmacy_prediction.py --train P001 --model mlstm

# 比较P001产品的不同模型预测结果
python run_pharmacy_prediction.py --compare P001
```

### 模型管理命令行工具

模型管理功能也可以通过独立的命令行工具使用：

```bash
# 列出所有模型
python model_management.py --action list

# 查看特定产品的模型详情
python model_management.py --action details --product_id P001 --model_type mlstm

# 使用特定模型进行预测
python model_management.py --action predict --product_id P001 --model_type mlstm
```

### API服务使用

#### 启动API服务

运行以下命令启动API服务：

```bash
python api.py
```

默认情况下，API服务会在 http://localhost:5000 上运行。

#### 访问API文档

启动服务后，访问 http://localhost:5000/swagger/ 可以查看所有API接口说明并进行测试。

#### 使用API示例

以下是一些基本的API使用示例：

```bash
# 获取产品列表
curl -X GET "http://localhost:5000/api/products"

# 获取特定产品销售数据
curl -X GET "http://localhost:5000/api/products/P001/sales"

# 启动模型训练
curl -X POST "http://localhost:5000/api/training" \
     -H "Content-Type: application/json" \
     -d '{"product_id": "P001", "model_type": "mlstm"}'

# 获取预测结果
curl -X POST "http://localhost:5000/api/prediction" \
     -H "Content-Type: application/json" \
     -d '{"product_id": "P001", "model_type": "mlstm", "days": 7}'
```

## 常见问题解答

### 问题1：如何选择最合适的预测模型？

**回答**：三种模型各有特点：
- mLSTM：适合较短期的预测，训练速度快
- Transformer：适合中长期预测，对季节性变化敏感
- KAN：适合复杂模式识别，通常有最高的准确率但训练时间较长

根据预测周期和数据特点选择合适的模型。一般情况下，如果不确定，可以使用KAN模型获得最佳效果。

### 问题2：为什么模型训练失败？

**回答**：常见原因包括：
- 数据量不足：确保至少有30天以上的销售数据
- 数据异常：检查数据中是否有缺失值或异常值
- 服务器资源不足：大型模型训练需要足够的计算资源

### 问题3：如何提高预测准确率？

**回答**：
- 提供更多历史数据
- 增加训练轮次（epochs）
- 结合多个模型的预测结果
- 加入更多相关特征（如节假日、天气等）

### 问题4：系统支持哪些数据格式？

**回答**：目前仅支持Excel(.xlsx)格式的销售数据文件。

### 问题5：训练速度慢

**回答**：
- 检查是否正在使用GPU加速
- 减小批大小（batch_size）
- 减少训练轮次（epochs）
- 考虑使用更简单的模型

### 问题6：模型保存失败

**回答**：
- 检查磁盘空间是否充足
- 确保有写入权限
- 尝试手动创建predictions目录

## 系统要求

- **后端**：Python 3.10或更高版本，安装所有requirements.txt中的依赖
- **前端**：现代浏览器(Chrome, Firefox, Edge等)