基于机器学习的农产品价格分析及预测平台

项目简介

本平台基于 Python Flask 框架构建，整合北京新发地农产品批发市场真实价格数据，提供数据概览、价格查询、多维分析、机器学习价格预测和价格异常预警等功能模块，适用于农产品市场价格趋势研究和价格预测场景。

数据来源为新发地市场官方公开接口，所有数据均为真实市场交易价格，非 Mock 生成。

---

功能模块

模块	功能说明
用户管理	用户注册、登录、角色权限控制（管理员/普通用户）
数据概览	价格记录总量、品种数、分类数、时间范围统计卡片；近30日市场均价走势图；分类均价分布饼图；热门农产品 TOP10 排行
价格数据	多条件组合查询（品名、分类、产地、日期范围）、分页浏览、CSV 导出
价格分析	单品价格走势分析（含统计摘要）；多品种价格对比（最多5个）；产地价格分布统计；月度均价统计
智能预测	基于线性回归/随机森林/梯度提升三种 ML 模型的价格预测，展示历史与预测走势对比图、预测摘要。自动过滤 R² < 0.3 的不可靠模型
价格预警	基于涨跌幅阈值的异常波动自动检测，展示预警列表
系统管理	管理员专属页面，支持数据同步、模型训练、价格预警检测、用户管理、操作日志查看

---

数据来源

数据集	文件	来源	说明
新发地市场价格	data/prices.csv	新发地市场官方 API	约 41 万条真实交易价格数据，时间范围 2024-01-01 至 2026-06-30

数据字段说明：

字段	说明
source_id	新发地数据源 ID
prod_name	农产品名称
prod_cat	一级分类
prod_pcat	二级分类
low_price	最低价（元/斤）
high_price	最高价（元/斤）
avg_price	平均价（元/斤）
place	产地
spec_info	规格信息
unit_info	单位
pub_date	发布日期

---

标准版目录结构

python-nongchanpin-price-fenxi-yuce/
├── app/                        # 应用核心代码
│   ├── __init__.py             # Flask 应用工厂
│   ├── database.py             # SQLite 数据库连接与表结构初始化
│   ├── models.py               # 用户模型与认证辅助
│   ├── routes/
│   │   ├── api.py              # REST API 路由
│   │   └── pages.py            # 页面路由
│   └── services/
│       ├── __init__.py         # 服务模块
│       ├── analyzer.py         # 价格数据分析服务
│       ├── data_crawler.py     # 新发地数据爬取服务
│       ├── data_import.py      # CSV 数据导入服务
│       ├── ml_trainer.py       # 机器学习模型训练服务
│       └── predictor.py        # 价格预测服务
├── crawler/                    # 独立爬虫脚本
│   ├── __init__.py             # 爬虫包说明
│   └── xinfadi_crawler.py      # 新发地价格爬虫（支持命令行参数）
├── config.py                   # 平台配置文件
├── run.py                      # 应用启动入口
├── requirements.txt            # Python 依赖包清单
├── data/
│   └── prices.csv              # 爬取的原始价格数据
├── instance/
│   └── agri_platform.db        # SQLite 数据库文件（自动生成）
├── ml_models/                  # 训练好的模型文件（自动生成）
│   ├── 番茄/
│   │   ├── random_forest.joblib
│   │   ├── random_forest_meta.json
│   │   ├── linear_regression.joblib
│   │   ├── linear_regression_meta.json
│   │   ├── gradient_boosting.joblib
│   │   └── gradient_boosting_meta.json
│   └── ...                     # 25 个品种
├── scripts/
│   ├── init_system.py          # 一键初始化脚本（下载数据+导入+训练）
│   └── finish_init.py          # 快速初始化脚本（跳过下载，直接导入+训练）
├── static/
│   ├── css/
│   │   └── style.css           # 自定义样式
│   └── js/
│       ├── common.js           # 全局工具函数（API封装、图表通用配置）
│       ├── dashboard.js        # 数据概览页逻辑
│       ├── data.js             # 价格数据页逻辑
│       ├── analysis.js         # 价格分析页逻辑
│       ├── prediction.js       # 智能预测页逻辑
│       └── admin.js            # 系统管理页逻辑
├── templates/
│   ├── base.html               # 基础模板（导航栏、CDN 引用）
│   ├── login.html              # 登录页
│   ├── register.html           # 注册页
│   ├── dashboard.html          # 数据概览页
│   ├── data.html               # 价格数据页
│   ├── analysis.html           # 价格分析页
│   ├── prediction.html         # 智能预测页
│   ├── alerts.html             # 价格预警页
│   └── admin.html              # 系统管理页
├── 运行步骤必看/
│   └── window.md               # Windows 运行步骤说明
├── mac_run.sh                  # macOS/Linux 一键启动脚本
├── window_run.bat              # Windows 一键启动脚本
├── 训练手册.md                  # 模型训练手册
└── README.md                   # 项目简介

---

技术栈

类别	技术
后端	Python 3.9+ + Flask 3.0
数据库	SQLite 3
前端	HTML5 + Bootstrap 5.3 + ECharts 5.5
机器学习	scikit-learn 1.5（线性回归、随机森林、梯度提升）
数据处理	pandas 2.x + numpy 2.x
模型持久化	joblib 1.4（含 numpy BitGenerator 跨版本兼容处理）
认证	Flask-Login + Werkzeug pbkdf2:sha256

---

环境要求

项目	要求
Python	3.9 及以上
操作系统	Windows / macOS / Linux
内存	建议 2GB 以上
磁盘	约 500MB（含依赖和数据库）
浏览器	Chrome / Firefox / Safari / Edge 现代版本

---

账号信息

角色	用户名	密码
管理员	admin	admin123
普通用户	user	user123

管理员拥有系统管理页面访问权限，可同步数据、训练模型、检测预警、管理用户和查看操作日志。新注册用户默认为普通用户角色。

---

模型训练概况

项目	说明
训练品种	25 个热门品种
模型数量	75 个（25 品种 × 3 种算法）
可用模型	67 个（R² ≥ 0.3）
良好模型	48 个（R² ≥ 0.8）
特征数	10 个时序特征（lag + rolling + 时间特征）
数据分割	80% 训练 / 20% 测试（时间顺序，无随机打乱）

模型质量筛选：R² < 0.3 的模型自动隐藏，用户无法在预测界面选择使用。详见 训练手册。