Sunbelt Computer Software

工单数据分析系统

基于机器学习的工单数据分析系统，实现异常检测、风险评分和库存预测三大核心功能。

系统架构

├── config/
│   └── config.yaml              # 全局参数配置
├── data/
│   ├── raw/                     # 原始数据 (CSV)
│   │   ├── ticket_main.csv      # 工单主表
│   │   ├── ticket_materials.csv # 工单-物料明细
│   │   └── inventory_daily.csv  # 库存日表
│   ├── processed/               # 中间处理数据
│   ├── uploads/                 # 用户上传的文件
│   └── users.json               # 用户账户数据 (JWT鉴权)
├── src/
│   ├── anomaly_detection.py     # 异常检测模块
│   ├── risk_scoring.py          # 风险评分模块
│   ├── inventory_forecast.py    # 库存预测模块
│   ├── api.py                   # REST API 服务 (FastAPI, :8000)
│   ├── auth.py                  # JWT 鉴权模块
│   ├── logging_config.py        # 日志配置
│   └── utils.py                 # 共享工具函数
├── scripts/
│   ├── generate_data.py         # 合成数据生成器
│   ├── run_all.py               # 全量运行入口
│   ├── visualize.py             # 可视化图表生成
│   ├── dashboard.py             # 交互式仪表盘生成
│   └── test_api.py              # API 测试脚本
├── templates/                   # Web 应用页面
│   ├── login.html               # 登录页
│   ├── dashboard.html           # 仪表盘首页
│   └── upload.html              # 数据上传页
├── output/
│   ├── dashboard.html           # 独立分析仪表盘
│   ├── logs/                    # 运行日志
│   ├── anomaly_detection_results.csv
│   ├── risk_scoring_results.csv
│   ├── inventory_forecast_results.csv
│   ├── inventory_plan_results.csv
│   └── charts/                  # 7张可视化图表
├── .github/workflows/
│   └── ci.yml                   # GitHub Actions CI
├── app.py                       # Web 应用入口 (:8080)
├── index.html                   # GitHub Pages 首页
├── requirements.txt
├── API.md                       # API 接口文档
├── DEPLOY.md                    # 部署文档
├── AGENTS.md                    # Agent 指南
└── README.md

快速开始

cd /opt/devenv/ML/004

# 1. 安装依赖
pip install -r requirements.txt

# 2. 生成合成数据
python scripts/generate_data.py

# 3. 运行全部分析 + 生成仪表盘
python scripts/run_all.py

# 4. 浏览器打开仪表盘
open output/dashboard.html        # macOS
xdg-open output/dashboard.html   # Linux

也可以单独运行某个模块：

python src/anomaly_detection.py   # 仅异常检测
python src/risk_scoring.py        # 仅风险评分
python src/inventory_forecast.py  # 仅库存预测

Web 应用

# 启动 Web 应用 (默认端口 8080)
python app.py

# 浏览器打开
open http://localhost:8080        # macOS
xdg-open http://localhost:8080   # Linux

功能页面

页面	路径	说明
登录	`/login`	用户名密码登录
仪表盘	`/dashboard`	最新分析结果、图表、任务状态
数据上传	`/upload`	拖拽上传CSV，后台自动分析
详细分析	`/analysis`	完整交互式仪表盘

默认账户

用户名	密码	角色
admin	admin123	admin
demo	demo123	user

使用流程

1. 登录 → /login
2. 上传数据 → /upload (拖拽CSV，选择数据类型)
3. 后台自动分析 → 异常检测 → 风险评分 → 库存预测
4. 查看结果 → /dashboard (自动刷新)
5. 查看详细分析 → /analysis

API 服务

# 启动服务 (默认端口 8000)
python src/api.py

# 查看接口文档 (Swagger UI)
open http://localhost:8000/docs

# 运行测试脚本
python scripts/test_api.py

鉴权说明

API 使用 JWT 鉴权，所有 /api/* 接口需要携带 Token。

默认账户：

用户名	密码	角色
admin	admin123	admin
demo	demo123	user

获取 Token：

curl -X POST http://localhost:8000/auth/login \
  -H "Content-Type: application/json" \
  -d '{"username": "admin", "password": "admin123"}'

响应：

{
  "access_token": "eyJhbGciOiJIUzI1NiIs...",
  "token_type": "bearer",
  "expires_in": 86400,
  "username": "admin",
  "role": "admin"
}

使用 Token 访问接口：

curl -X POST http://localhost:8000/api/anomaly \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer <token>" \
  -d '{"ticket_id": "TK-001", "ticket_type": "抢修", "total_cost": 50000}'

API 端点总览

端点	方法	说明	鉴权
`/health`	GET	健康检查	无需
`/auth/login`	POST	登录获取 Token	无需
`/auth/register`	POST	注册新用户	无需
`/auth/me`	GET	获取当前用户信息	需要
`/api/anomaly`	POST	异常检测	需要
`/api/risk`	POST	风险评分	需要
`/api/analyze`	POST	综合分析（异常+风险）	需要
`/api/batch`	POST	批量工单分析	需要
`/api/inventory/forecast`	POST	库存需求预测	需要
`/api/inventory/plan`	POST	库存计划计算	需要
`/api/inventory/batch-plan`	POST	批量库存计划	需要
`/api/inventory/materials`	GET	物料列表	需要
`/admin/users`	GET	用户列表	需要 admin

请求示例

注意：以下接口需要先登录获取 Token，详见鉴权说明。

异常检测：

curl -X POST http://localhost:8000/api/anomaly \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer <token>" \
  -d '{
    "ticket_id": "TK-001",
    "ticket_type": "抢修",
    "priority": "紧急",
    "total_cost": 45000,
    "budget_limit": 5000,
    "fault_category": "过热",
    "is_reopened": true,
    "customer_complaint": true
  }'

响应：

{
  "ticket_id": "TK-001",
  "anomaly_label": 1,
  "anomaly_score": 0.82,
  "anomaly_reasons": [
    {"feature": "total_cost", "deviation": 3.5, "importance": 0.05, "value": 3.5}
  ]
}

风险评分：

curl -X POST http://localhost:8000/api/risk \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer <token>" \
  -d '{
    "ticket_id": "TK-002",
    "ticket_type": "保养",
    "total_cost": 8000,
    "budget_limit": 5000
  }'

响应：

{
  "ticket_id": "TK-002",
  "risk_score": 0.23,
  "risk_level": "low",
  "final_risk_prob": 0.28,
  "risk_dimensions": {"compliance": 0, "sla": 0, "cost": 1.0, "quality": 0, "equipment": 0.2},
  "risk_explanation": "cost(1.00); equipment(0.20)"
}

库存需求预测：

curl -X POST http://localhost:8000/api/inventory/forecast \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer <token>" \
  -d '{"material_id": "MAT0020", "site_id": "SITE0001", "forecast_days": 30}'

响应：

{
  "material_id": "MAT0020",
  "site_id": "SITE0001",
  "history_days": 365,
  "current_stock": 2689.0,
  "avg_daily_demand": 9.63,
  "forecast_total": 294.8,
  "forecast": [
    {"date": "2026-01-01", "forecast": 7.97, "lower": 5.78, "upper": 10.13}
  ]
}

库存计划计算：

curl -X POST http://localhost:8000/api/inventory/plan \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer <token>" \
  -d '{
    "material_id": "MAT0020",
    "site_id": "SITE0001",
    "current_stock": 2689,
    "avg_daily_demand": 9.63,
    "std_daily_demand": 5.02,
    "lead_time_days": 7,
    "service_level": 0.95
  }'

响应：

{
  "material_id": "MAT0020",
  "site_id": "SITE0001",
  "current_stock": 2689.0,
  "safety_stock": 21.9,
  "reorder_point": 89.3,
  "days_until_stockout": 279.2,
  "need_reorder": false,
  "recommended_reorder_qty": 0
}

工单字段说明

字段	类型	必填	说明
`ticket_id`	string	否	工单编号（默认自动生成）
`ticket_type`	string	否	抢修/巡检/保养/改造
`priority`	string	否	紧急/高/中/低
`total_cost`	float	否	总成本
`budget_limit`	float	否	预算上限
`fault_category`	string	否	过热/短路/漏电/老化/机械故障/电气故障/环境损坏
`severity`	string	否	严重/一般/轻微
`is_reopened`	bool	否	是否重开
`customer_complaint`	bool	否	是否投诉
`customer_satisfaction`	int	否	满意度 1-5
`photo_count`	int	否	照片数
`report_uploaded`	bool	否	报告是否上传
`customer_signature`	bool	否	客户是否签字

库存字段说明

字段	类型	必填	说明
`material_id`	string	是	物料编号
`site_id`	string	是	站点编号
`forecast_days`	int	否	预测天数（默认30）
`current_stock`	float	是	当前库存（计划接口）
`avg_daily_demand`	float	是	日均需求（计划接口）
`std_daily_demand`	float	否	日需求标准差（默认5.0）
`lead_time_days`	int	否	补货周期天数（默认7）
`service_level`	float	否	服务水平（默认0.95）

数据模型

三张主表

`ticket_main` — 工单主表

分组	字段	类型	说明
A-基础	`ticket_id`	string PK	工单编号
A-基础	`created_at`	datetime	创建时间
A-基础	`ticket_type`	enum	抢修/巡检/保养/改造
A-基础	`priority`	enum	紧急/高/中/低
A-基础	`sla_minutes`	int	SLA时限(分钟)
A-基础	`region`	string	区域
A-基础	`site_id`	string	站点编号
B-设备	`equipment_id`	string	设备编号
B-设备	`equipment_type`	enum	变压器/开关柜/电缆等
B-设备	`fault_category`	enum	过热/短路/漏电/老化等
B-设备	`severity`	enum	严重/一般/轻微
B-设备	`equipment_age_months`	int	设备使用月数
C-时间	`dispatched_at`	datetime	派单时间
C-时间	`accepted_at`	datetime	接单时间
C-时间	`arrived_at`	datetime	到场时间
C-时间	`repair_started_at`	datetime	开始维修时间
C-时间	`repair_finished_at`	datetime	维修完成时间
C-时间	`closed_at`	datetime	关闭时间
D-人员	`technician_id`	string	技术员编号
D-人员	`technician_level`	enum	初/中/高/持证
E-成本	`total_cost`	decimal	总成本
E-成本	`budget_limit`	decimal	预算上限
E-成本	`is_warranty`	bool	是否在保修期
F-质量	`photo_count`	int	照片数
F-质量	`report_uploaded`	bool	报告是否上传
F-质量	`customer_signature`	bool	客户是否签字
G-反馈	`is_reopened`	bool	是否重开
G-反馈	`customer_complaint`	bool	是否投诉
G-反馈	`customer_satisfaction`	int 1-5	客户满意度
G-反馈	`qc_audit_result`	enum	合规/不合规/待审

`ticket_materials` — 工单-物料明细

字段	类型	说明
`ticket_id`	string FK	关联工单
`material_id`	string	物料编号
`material_category`	enum	电气元件/绝缘材料/机械零件等
`qty_used`	float	使用数量
`qty_returned`	float	退回数量
`unit_price`	decimal	单价

`inventory_daily` — 库存日表

字段	类型	说明
`date`	date	日期 (PK)
`material_id`	string	物料编号 (PK)
`site_id`	string	站点编号 (PK)
`stock_on_hand`	float	当前库存
`daily_consumed`	float	日消耗量
`daily_replenished`	float	日补货量

模块详解

1. 异常检测 (`src/anomaly_detection.py`)

目标: 无监督识别异常工单，无需标注数据

算法:

Isolation Forest: 基于随机森林的异常隔离，适合高维数据
Local Outlier Factor (LOF): 基于密度的局部异常检测
集成模型: IF(0.6) + LOF(0.4) 加权分数融合 + 投票机制

特征 (15维):

数值特征: total_cost, budget_limit, sla_minutes, photo_count, attachment_count, equipment_age_months, technician_workload_today, reopen_within_days, customer_satisfaction
时间特征: dispatch_delay, accept_delay, arrival_delay, repair_duration, total_duration, response_time
编码特征: ticket_type, priority, region, equipment_type, fault_category, severity (LabelEncoder)

异常原因分析: 基于z-score × 特征重要性加权，找出偏离最大的前3个特征

输出:

anomaly_detection_results.csv: 每工单的异常标签、异常分数、子模型标记、异常原因
anomaly_pca_visualization.csv: PCA降维后的2D投影数据

2. 风险评分 (`src/risk_scoring.py`)

目标: 多维度量化风险，可解释的风险概率

三阶段模型:

业务规则评分: 5维度加权规则引擎
逻辑回归: 线性可解释的风险模型
神经网络 (MLP): 捕捉非线性关系

5个风险维度:

维度	权重	评分逻辑
合规	0.25	报告未上传、未签字、照片不足、质检不合规
SLA	0.25	总时长/SLA比值，超时越多风险越高
成本	0.20	总成本/预算比值，超预算越多风险越高
质量	0.15	重开、投诉、低满意度
设备	0.15	设备老化(>84月)、故障类型、严重等级

融合公式:

final_risk_prob = 0.3 × rule_score + 0.35 × lr_prob + 0.35 × nn_prob

输出:

risk_scoring_results.csv: 每工单的规则分数、LR概率、NN概率、融合概率、5维度明细、风险解释
risk_feature_importance.csv: 逻辑回归特征系数

3. 库存预测 (`src/inventory_forecast.py`)

目标: 预测物料需求，计算安全库存和再订货点

三模型集成:

Prophet: 处理季节性和趋势，适合有周期性的时间序列
ARIMA: 经典时序模型，适合平稳序列
LightGBM: 时序回归，通过滞后特征和滚动统计捕捉模式

LightGBM时序特征:

日/周/月/年日特征
滞后特征: lag_1, lag_7, lag_14
滚动统计: 7天/14天移动平均
递归预测: 预测值作为下一步输入

库存计算公式:

安全库存 = Z × σ × √(LT)
  Z = 1.65 (95%服务水平)
  σ = 日需求标准差
  LT = 补货周期(天)

再订货点 = 日均需求 × LT + 安全库存

输出:

inventory_forecast_results.csv: 每日每物料-站点的需求预测、置信区间
inventory_plan_results.csv: 当前库存、安全库存、再订货点、可售天数、是否需补货

输出文件说明

CSV 结果

文件	行数	主要字段
`anomaly_detection_results.csv`	5000	ticket_id, anomaly_label, anomaly_score, anomaly_reasons
`anomaly_pca_visualization.csv`	5000	ticket_id, pc1, pc2, anomaly_label, anomaly_score
`risk_scoring_results.csv`	5000	ticket_id, risk_score, risk_level, final_risk_prob, 5维度分数
`risk_feature_importance.csv`	26	feature, lr_coef, abs_coef
`inventory_forecast_results.csv`	600	material_id, site_id, date, forecast, lower, upper
`inventory_plan_results.csv`	20	material_id, site_id, current_stock, safety_stock, reorder_point

可视化图表

图表	内容
`01_anomaly_overview.png`	异常分数分布 + 各模型检出数 + 按工单/故障类型异常率
`02_anomaly_scatter.png`	成本(log) vs 修复时长散点图，异常点红色标注
`03_risk_overview.png`	风险等级饼图 + 分数分布 + 5维雷达图 + 维度箱线图
`04_risk_by_region.png`	各区域异常率vs风险分 + 风险等级堆叠图
`05_inventory_forecast.png`	2个典型物料的30天预测趋势+置信区间
`06_inventory_plan.png`	库存vs再订货点vs安全库存 + 可售天数(90天警戒线)
`07_correlation.png`	异常分数vs风险分数相关性散点图

交互式仪表盘

output/dashboard.html — 自包含的交互式HTML仪表盘（5个页面）：

总览页: 关键指标卡片 + 异常分数分布 + 风险等级饼图 + 区域对比 + 工单类型异常率
异常检测页: 分数分布 + 故障/类型/优先级异常率 + PCA降维散点图 + 异常工单Top50表格
风险评分页: 分数分布 + 风险等级饼图 + 5维雷达图 + 区域/类型风险分 + LR风险因子 + 高风险工单Top50表格
库存预测页: 预测趋势图 + 库存状态对比 + 当前/再订货/安全库存对比 + 库存计划明细表格
关联分析页: 异常分数 vs 风险分数散点图

配置说明

所有参数集中在 config/config.yaml:

# 数据路径
data:
  raw_dir: data/raw
  output_dir: output

# 异常检测
anomaly_detection:
  contamination: 0.05      # 异常比例，越小越严格
  n_estimators: 200        # 树数量，越大越稳定

# 风险评分
risk_scoring:
  weights:                 # 5维度权重，总和=1
    compliance: 0.25
    sla: 0.25
    cost: 0.20
    quality: 0.15
    equipment: 0.15
  risk_levels:             # 风险等级划分阈值
    high: 0.7
    medium: 0.4

# 库存预测
inventory_forecast:
  forecast_days: 30        # 预测天数
  confidence_interval: 0.95
  safety_stock_factor: 1.65
  arima_order: [1, 1, 1]

技术栈

类别	依赖
数据处理	pandas >= 2.0, numpy >= 1.24
异常检测	scikit-learn (IsolationForest, LOF, PCA)
风险模型	scikit-learn (LogisticRegression, MLPClassifier)
时序预测	prophet >= 1.1, statsmodels (ARIMA), lightgbm >= 4.0
API 服务	fastapi, uvicorn, PyJWT
鉴权	JWT (PyJWT) + SHA256 密码哈希
可视化	matplotlib >= 3.7, seaborn >= 0.12
配置管理	pyyaml >= 6.0

合成数据

运行 python scripts/generate_data.py 生成测试数据:

数据覆盖:

6个区域: 华东/华南/华北/华中/西南/西北
4种工单: 抢修/巡检/保养/改造
7种故障: 过热/短路/漏电/老化/机械故障/电气故障/环境损坏
6种设备: 变压器/开关柜/电缆/电容器/发电机/配电箱

部署

GitHub Pages: index.html 于仓库根目录。详见 DEPLOY.md。推送到 main 分支自动部署（约2分钟）。

自定义扩展

添加新的风险维度

在 src/risk_scoring.py 的 rule_based_score() 中添加新维度，更新 RISK_DIMENSIONS 列表和 config.yaml 中的权重。

调整集成权重

修改 anomaly_detection.py 中的 IF/LOF 权重，或 risk_scoring.py 中的 rule/lr/nn 融合比例。

接入真实数据

将CSV文件放入 data/raw/ 目录，确保字段名与数据模型一致，即可直接运行分析。

表	记录数	说明
`ticket_main`	5000	含5%注入异常(成本/时长/重开/投诉)
`ticket_materials`	~12000	每工单0-5种物料
`inventory_daily`	~110000	15站点×20物料×365天

Name		Name	Last commit message	Last commit date
.github/workflows		.github/workflows
config		config
data		data
output		output
scripts		scripts
src		src
templates		templates
.gitignore		.gitignore
ACT_GUIDE.md		ACT_GUIDE.md
AGENTS.md		AGENTS.md
API.md		API.md
DEPLOY.md		DEPLOY.md
README.md		README.md
app.py		app.py
index.html		index.html
requirements.txt		requirements.txt

Sunbelt Computer Software

PL/B Language Development and Support

Latest commit

History

Folders and files

Repository files navigation

工单数据分析系统

系统架构

快速开始

Web 应用

功能页面

默认账户

使用流程

API 服务

鉴权说明

API 端点总览

请求示例

工单字段说明

库存字段说明

数据模型

三张主表

ticket_main — 工单主表

ticket_materials — 工单-物料明细

inventory_daily — 库存日表

模块详解

1. 异常检测 (src/anomaly_detection.py)

2. 风险评分 (src/risk_scoring.py)

3. 库存预测 (src/inventory_forecast.py)

输出文件说明

CSV 结果

可视化图表

交互式仪表盘

配置说明

技术栈

合成数据

部署

自定义扩展

添加新的风险维度

调整集成权重

接入真实数据

About

Resources

Stars

Watchers

Forks

Releases

Packages

Contributors

Languages