ShopTRAINING/docs/api_update_summary.md

API.py 文件调整总结

主要修改内容

为了使 api.py 适应新的模块化架构，我们进行了以下主要修改：

1. 更新导入语句

# 导入核心预测器类
from core.predictor import PharmacyPredictor

# 导入训练函数
from trainers.mlstm_trainer import train_product_model_with_mlstm
from trainers.kan_trainer import train_product_model_with_kan
from trainers.tcn_trainer import train_product_model_with_tcn
from trainers.transformer_trainer import train_product_model_with_transformer

# 导入预测函数
from predictors.model_predictor import load_model_and_predict

# 导入分析函数
from analysis.trend_analysis import analyze_prediction_result
from analysis.metrics import evaluate_model, compare_models

2. 使用 PharmacyPredictor 类进行模型训练

# 创建预测器实例
predictor = PharmacyPredictor()

# 使用预测器进行训练
metrics = predictor.train_model(
    product_id=product_id,
    model_type=model_type,
    epochs=epochs
)

3. 更新预测功能

# 创建预测器实例
predictor = PharmacyPredictor()

# 使用预测器进行预测
result = predictor.predict(
    product_id=product_id,
    model_type=model_type,
    future_days=future_days,
    start_date=start_date,
    analyze_result=True
)

4. 更新模型比较功能

# 执行每个模型的预测
predictions = {}
metrics = {}

for model_type in model_types:
    result = predictor.predict(
        product_id=product_id,
        model_type=model_type,
        future_days=future_days,
        start_date=start_date,
        analyze_result=True
    )
    
    if result and 'predictions' in result:
        predictions[model_type] = result['predictions']
        
        # 如果有分析结果，提取评估指标
        if 'analysis' in result and result['analysis']:
            metrics[model_type] = result['analysis'].get('metrics', {})

# 比较模型性能
comparison_result = {}
if len(metrics) >= 2:
    comparison_result = compare_models(metrics)

5. 更新预测分析功能

# 使用分析函数
from analysis.trend_analysis import analyze_prediction_result
analysis = analyze_prediction_result(product_id, model_type, predictions_array, features)

6. 更新服务器启动配置

# 确保目录存在
os.makedirs('static/plots', exist_ok=True)
os.makedirs('static/csv', exist_ok=True)
os.makedirs('static/predictions/compare', exist_ok=True)
os.makedirs('saved_models', exist_ok=True)

if __name__ == '__main__':
    parser = argparse.ArgumentParser(description='药店销售预测系统API服务')
    parser.add_argument('--host', default='0.0.0.0', help='服务器主机地址')
    parser.add_argument('--port', type=int, default=5000, help='服务器端口')
    parser.add_argument('--debug', action='store_true', help='是否启用调试模式')
    
    args = parser.parse_args()
    
    print(f"启动API服务，地址: {args.host}:{args.port}")
    print(f"API文档地址: http://{args.host}:{args.port}/swagger/")
    print(f"UI界面地址: http://{args.host}:{args.port}/ui/")
    
    app.run(host=args.host, port=args.port, debug=args.debug)

调整优势

1. 更好的代码组织：API服务现在使用模块化架构中的类和函数，使代码结构更清晰。

2. 统一的接口：通过 PharmacyPredictor 类提供统一的接口进行训练和预测，简化了API实现。

3. 功能分离：训练、预测和分析功能现在分别由专门的模块提供，提高了代码的可维护性。

4. 保持API兼容性：尽管内部实现发生了变化，但API接口保持不变，确保现有前端应用可以继续使用。

5. 更灵活的配置：添加了命令行参数解析，使服务器配置更加灵活。

注意事项

1. 确保所有必要的目录存在，特别是 saved_models 目录，用于存储训练好的模型。

2. API服务现在依赖于新的模块化结构，如果模块名称或路径发生变化，需要相应地更新导入语句。

3. 如果模型的保存格式或路径约定发生变化，可能需要更新 get_latest_model_id 函数。

4. 在部署前，建议进行全面测试，确保所有API端点都能正常工作。