OneTree/ShopTRAINING
5
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
ShopTRAINING/docs/user_manual.md
gdtiti 7a52c67703 完善使用手册 修复一些bug
2025-06-14 05:00:17 +08:00

11 KiB
Raw Permalink Blame History

药店销售预测系统用户手册

目录

  1. 系统介绍
  2. 系统架构
  3. 系统安装与配置
  4. 功能模块说明
  5. 命令行操作指南
  6. 常见问题解答
  7. 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

系统架构

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

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

历史数据查看：

数据详情查看

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

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

预测结果展示：

预测结果1

预测结果2

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

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：

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：

# 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：

# 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：

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：

# 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)