OneTree/ShopTRAINING
5
0
Fork 0
Code Issues Pull Requests Actions Packages Projects Releases Wiki Activity
ShopTRAINING/README.md
gdtiti c0fe213b70 修复图表显示和数据处理问题 
1. 修复前端图表日期排序问题:
   - 改进 PredictionView.vue 和 HistoryView.vue 中的图表渲染逻辑
   - 确保历史数据和预测数据按照正确的日期顺序显示

2. 修复后端API处理:
   - 解决 optimized_kan 模型类型的路径映射问题
   - 添加 JSON 序列化器处理 Pandas Timestamp 对象
   - 改进预测数据与历史数据的衔接处理

3. 优化图表样式和用户体验
2025-06-15 00:01:57 +08:00

8.0 KiB
Raw Blame History

🏪 药店单品销售预测系统

📋 项目简介

这个项目使用先进的深度学习模型，对药店单品销售进行预测，帮助药店管理者进行更精准的库存管理和销售规划。系统利用历史销售数据，结合季节性、促销、天气等因素，预测未来7天的单品销售量。

📋 系统特点

  • 多模型支持：结合使用Transformer、扩展型LSTM(sLSTM)、矩阵LSTM(mLSTM)和Kolmogorov-Arnold网络(KAN)进行预测
  • 内存优化：提供优化版KAN模型，显著降低内存占用，提高训练速度
  • GPU加速：自动检测并使用GPU加速模型训练和预测
  • 高精度预测：综合多种因素，提供更准确的销售预测
  • 可视化分析：自动生成预测结果图表和评估指标
  • 灵活配置：可以针对不同药品选择不同的预测模型
  • 友好用户界面：提供简单易用的命令行交互界面
  • 完善的模型管理功能：可以管理多个模型，包括查看、比较和删除模型

🚀 安装指南

前提条件

  • Python 3.8+
  • PyTorch 1.7+
  • pandas, numpy, matplotlib, scikit-learn
  • tqdm
  • 如需GPU加速：NVIDIA GPU + CUDA

安装步骤

Windows

  1. 克隆或下载本仓库
  2. 运行安装脚本选择安装版本： 
    install_dependencies.bat

Linux/Mac

  1. 克隆或下载本仓库
  2. 为安装脚本添加执行权限并运行： 
    chmod +x install_dependencies.sh
./install_dependencies.sh

手动安装

如果你想手动安装依赖，可以根据你的环境选择以下命令之一：

  • CPU版本：

    pip install -r requirements.txt

  • GPU版本 (CUDA 12.1)：

    pip install numpy==2.3.0 pandas==2.3.0 matplotlib==3.10.3 scikit-learn==1.7.0 tqdm==4.67.1 openpyxl==3.1.5
pip install torch==2.7.1 --index-url https://download.pytorch.org/whl/cu121

  • GPU版本 (CUDA 11.8)：

    pip install numpy==2.3.0 pandas==2.3.0 matplotlib==3.10.3 scikit-learn==1.7.0 tqdm==4.67.1 openpyxl==3.1.5
pip install torch==2.7.1 --index-url https://download.pytorch.org/whl/cu118

检查GPU支持

安装完成后，可以运行以下命令检查GPU支持状态：

python check_gpu.py

🚀 使用方法

  1. 启动系统：

    python run_pharmacy_prediction.py

  2. 按照交互式菜单选择操作：

    • 训练所有药品的销售预测模型
    • 训练单个药品的销售预测模型（Transformer、mLSTM、KAN或优化版KAN）
    • 比较原始KAN和优化版KAN模型性能
    • 查看已有预测结果
    • 使用已训练的模型进行预测
    • 比较不同模型的预测结果
    • 模型管理
    • 退出

📊 数据说明

系统使用的数据包含以下特征：

  • 日期
  • 产品ID和名称
  • 销售量
  • 价格
  • 星期几
  • 月份
  • 是否节假日
  • 是否周末
  • 是否促销
  • 气温

首次运行时，系统会自动生成模拟数据进行测试。

🧠 模型介绍

  • Transformer：基于自注意力机制的序列处理模型，能有效捕获时间序列中的长期依赖关系
  • 标量LSTM (sLSTM)：改进版LSTM，增强了对突变点的处理能力和稳定性
  • 矩阵LSTM (mLSTM)：使用矩阵代替标量存储隐藏状态，提高模型表达能力
  • KAN：基于柯尔莫哥洛夫-阿诺尔德定理的神经网络，能有效学习复杂非线性映射
  • 优化版KAN：在原始KAN基础上进行内存优化，显著降低内存占用，提高训练速度，适用于大规模数据集

📁 文件结构

  • run_pharmacy_prediction.py - 主程序入口
  • pharmacy_predictor.py - 核心预测功能实现
  • generate_pharmacy_data.py - 生成模拟数据
  • check_gpu.py - 检查GPU支持状态
  • models/ - 模型实现目录
    • transformer_model.py - Transformer模型实现
    • slstm_model.py - 标量LSTM模型实现
    • mlstm_model.py - 矩阵LSTM模型实现
    • kan_model.py - KAN模型实现
    • optimized_kan_forecaster.py - 优化版KAN模型实现
    • data_utils.py - 数据处理工具
    • utils.py - GPU加速工具

🔄 模型对比

系统支持四种主要的模型训练方式：

  1. 基于Transformer的标准模型: 默认训练方式，适合大多数预测任务
  2. mLSTM增强模型: 结合了矩阵LSTM和Transformer的混合模型，在捕捉复杂季节性和非线性模式方面可能表现更佳
  3. KAN模型: Kolmogorov-Arnold网络，利用B样条基函数自适应学习非线性关系，特别适合捕捉数据中的复杂非线性模式和季节性变化
  4. 优化版KAN模型: 在原始KAN基础上进行内存优化，显著降低内存占用，提高训练速度，适用于大规模数据集和资源受限的环境

您可以通过启动脚本中的选项选择不同的模型进行训练，并比较它们的预测效果。系统还提供了专门的功能来比较原始KAN和优化版KAN的性能差异。

👨‍💻 自定义数据

如果你想使用自己的数据，只需将数据保存为与模拟数据相同格式的Excel文件，命名为pharmacy_sales.xlsx，放在项目根目录下即可。

📊 评估指标

  • MSE: 均方误差
  • RMSE: 均方根误差
  • MAE: 平均绝对误差
  • R²: 决定系数
  • MAPE: 平均绝对百分比误差

🔮 未来改进

  • 增加更多类型的预测模型
  • 添加季节性分解分析
  • 实现Web界面
  • 支持导入/导出模型
  • 添加库存优化建议

📄 模型管理功能

系统提供了强大的模型管理功能，可以通过以下方式使用：

  1. 在主程序中选择"模型管理"选项
  2. 或直接运行模型管理工具：
python model_management.py

模型管理功能包括：

  • 查看所有模型：列出系统中所有已保存的模型
  • 查看特定产品的模型：列出特定产品的所有模型
  • 查看模型详情：查看模型的详细信息，包括训练参数、评估指标等
  • 使用模型预测：使用选定的模型进行预测
  • 比较不同模型：比较不同模型的预测结果
  • 删除模型：删除不需要的模型
  • 导出/导入模型：导出模型以共享或导入外部模型

模型管理工具还支持命令行参数，方便批处理和自动化操作：

# 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

# 比较不同模型的预测结果
python model_management.py --action compare --product_id P001 --compare_models mlstm,kan,transformer

# 删除模型
python model_management.py --action delete --product_id P001 --model_type mlstm

# 导出模型
python model_management.py --action export --product_id P001 --model_type mlstm --export_dir exported_models

# 导入模型
python model_management.py --action import --file_path path/to/model.pt

📄 贡献

欢迎提交问题报告和功能建议！

📄 许可证

MIT许可证

🌐 API服务

系统提供了完整的RESTful API服务，支持所有药店销售预测功能，方便集成到其他系统中。

API服务安装

# Windows
install_api_dependencies.bat

# Linux/Mac
chmod +x install_api_dependencies.sh
./install_api_dependencies.sh

启动API服务

python api.py

默认情况下，API服务会在 http://localhost:5000 上运行，并启用Swagger UI文档界面。

API参数选项

# 指定主机和端口
python api.py --host 127.0.0.1 --port 8080

# 禁用Swagger UI
python api.py --swagger false

# 禁用调试模式
python api.py --debug false

API文档

启动服务后，访问 http://localhost:5000 将自动重定向到Swagger UI文档界面，可以查看所有API接口说明并进行测试。

API服务提供以下功能组：

  • 数据管理API：上传和查询销售数据
  • 模型训练API：训练销售预测模型
  • 模型预测API：使用模型进行预测
  • 模型管理API：管理已训练的模型