又到了一年一度计算机毕业设计找项目的季节农产品的价格预测与销量分析这类题目在各大选题系统里年年都有热度一直没降过。因为这类题目表面上看起来很难实际上拆开看就是数据采集、数据清洗、模型训练、Web展示这几个环节非常适合用Django整套技术栈拿下来。这篇文章把整个系统的设计思路、预测模型选型、可视化实现以及调试中容易踩的坑全部梳理一遍不管你是拿到这个题目还没头绪还是在开发中遇到了问题卡住了都可以对着文章一步步复现。1. 项目整体设计与技术选型1.1 这个系统的核心需求拆解标题里涉及三个关键词农产品价格预测、销量分析、可视化系统。把这三个词翻译成系统功能其实就是下面这几件事价格预测基于历史价格数据用算法预测未来若干天的蔬菜批发价或零售价走势。销量分析从销量数据出发按时间维度、品种维度、季节维度做统计分析比如“某品种这个月销量环比增长多少”“哪个时间段销量最高”这类问题。可视化展示所有分析结果和预测结果最终通过折线图、柱状图、饼图等图表直观呈现出来而不是丢一堆表格数据给用户看。从毕业设计的评审角度看这三个功能分别对应了数据分析能力、算法建模能力和系统开发能力覆盖面比较完整。再加上“程序文档讲解定制”这个组合说明这类题目的交付物通常包括可运行的系统、毕业论文/设计说明书、答辩PPT以及演示视频。1.2 为什么选Django而不是Flask或Spring Boot很多同学在选后端框架时纠结过这个问题。Django在这个场景下的优势非常明显自带Admin后台。农产品这种业务场景你需要管理品种信息、价格数据、销量数据如果全部自己写增删改查页面工作量会多出不少。Django自带的Admin后台改改配置就能用把数据导入模型后直接在后台增删改查节省大量时间。ORM与数据建模成熟。Django的ORM对时间字段、数值字段的处理很顺手做统计分析时配合annotate和aggregate写出来的查询既清晰又不容易出错。生态完整。Django Rest Framework做API接口、Django Channels做异步任务、Jinja2/Django模板做页面渲染在同一个框架内全部解决不需要像Flask那样自己去东拼西凑。上面提到的这套技术栈也是大多行业里做Python Web数据可视化项目的常规选择不是说Spring Boot不行只是从套路的成熟度和上手速度来看Django更适合作为毕业设计项目的主干框架。1.3 系统整体架构与模块划分整个系统按功能拆成五个模块分别是数据采集模块、数据存储模块、预测分析模块、数据可视化模块和用户管理模块。模块名称核心职责关键技术点数据采集模块获取历史价格与销量数据爬虫或CSV导入数据清洗数据存储模块管理品种、价格、销量三类数据Django ORMMySQL或SQLite预测分析模块基于历史数据训练模型并预测ARIMA/Prophet/线性回归等数据可视化模块将分析结果图表化展示ECharts Ajax Django接口用户管理模块权限区分、操作日志Django自带的Auth系统实际编码的时候我推荐按模块拆App比如goods模块管品种、price模块管价格、forecast模块管预测、stats模块管分析和可视化。不要把所有逻辑堆在默认的coreApp里否则后期维护会发现改一个功能要翻半天代码。2. 数据准备与处理2.1 数据来源怎么选这个系统最关键的“地基”是数据。数据质量决定预测效果而预测效果直接决定论文和工作量展示的含金量。对于农产品价格和销量数据常见的获取方式有以下几种公开数据集平台。比如某个高校数据实验室、统计年鉴数据、政府数据开放平台等上面的农产品价格数据是现成的。这类数据格式相对规范带时间字段和品名非常适合直接训练模型。注意下载后先检查一下时间跨度和缺失情况。爬虫采集。如果一个一个手抄数据那肯定不现实可以用Python的requests加上BeautifulSoup去抓公开网页上的每日批发价格。这个方法需要处理网页反爬而且农产品价格数据散落在不同网页里清洗工作量大。建议优先找结构化数据源爬虫作为补充方案。模拟数据生成。如果实在找不到合适的数据源可以基于真实价格规律生成模拟数据。比如蔬菜价格有明显的季节性周期叶菜类夏季便宜、冬季偏贵可以在这些规律的基础上加一些随机扰动生成两年的日度数据。这个方法虽然是模拟的但用于展示算法流程和系统功能完全够用。我在这里建议优先采用带有真实统计背景的数据哪怕数据量不大它的说服力也远超模拟数据。做过毕业设计评审的老师一眼就能看出数据是真实的还是合成的。2.2 数据清洗有哪些必须处理的点拿到原始数据之后有几个坑是几乎必踩的时间格式不统一。有的数据是2024/3/1有的是2024-03-01还有的是2024.3.1。不用pandas统一转换的话后续按时间聚合时会出现无法匹配的尴尬情况。统一转成datetime类型后再设为索引这样后面的时间序列分析才能顺利地进行。缺失值处理。批发市场的价格数据经常出现某几天没记录的情况可能是休市也可能是漏采。处理方式一般有两种如果缺失量小于5%用前后日价格平均值填充如果缺失量较大可以考虑用前一个月的同一天的平均值来做更合理的历史参考。异常值识别。比如某天某品种价格突然从3元跳到30元多半是数据录入错误。可以用3σ法则超出均值三个标准差视为异常来识别并修正异常值。对于农产品价格来说同样品种出现跳变但原因为节假日或天气骤变时做出修正前先翻一翻数据源的情况说明会更可靠。2.3 数据入库设计Django模型的字段设计直接决定后面的查询效率我在实际项目中用到的一个经典结构如下# goods/models.py from django.db import models class Vegetable(models.Model): name models.CharField(蔬菜名称, max_length64) category models.CharField(分类, max_length32, blankTrue) unit models.CharField(计量单位, max_length16, default元/公斤) created_at models.DateTimeField(创建时间, auto_now_addTrue) class Meta: db_table vegetable def __str__(self): return self.name class PriceRecord(models.Model): vegetable models.ForeignKey(Vegetable, on_deletemodels.CASCADE, verbose_name蔬菜品种) price_date models.DateField(日期, db_indexTrue) price models.FloatField(批发价格) market models.CharField(市场名称, max_length64, blankTrue) class Meta: db_table price_record ordering [-price_date] def __str__(self): return f{self.vegetable.name} - {self.price_date} - {self.price}这个设计里PriceRecord关联外键到Vegetable同时price_date加了索引。因为价格预测基本上都是按品种和时间筛选数据这个索引能让查询快很多。如果并发量不高项目演示阶段SQLite都够用但如果采集的数据量较大建议切换到MySQL。切换的方式是在settings.py里改数据库配置Django的ORM会帮你屏蔽底层差异。3. 价格预测模型的设计与实现3.1 该选什么预测算法农产品价格预测有几种常用算法我在这里做一个实际对比算法适用场景优点缺点ARIMA单品种单序列经典、论文好写只捕捉线性关系对突变敏感Prophet周期性强的序列自动处理节假日和周期环境安装较重中文资料稍少LSTM长序列非线性关系能学习复杂模式需要大量数据训练时间较长线性回归多特征线性场景简单快、可解释性强对非线性关系拟合差从毕业设计的实际出发ARIMA是最稳妥的选择。因为农产品价格序列通常有比较明显的周期性和趋势性ARIMA的差分和移动平均组合对这种序列的拟合效果不错。而且ARIMA的数学推导比较丰富论文的理论支持好写。3.2 ARIMA模型的训练完整流程先安装依赖pip install pandas numpy matplotlib statsmodels然后按照下面的步骤执行import pandas as pd import numpy as np import matplotlib.pyplot as plt from statsmodels.tsa.stattools import adfuller from statsmodels.graphics.tsaplots import plot_acf, plot_pacf from statsmodels.tsa.arima.model import ARIMA import warnings warnings.filterwarnings(ignore) # 读取数据假设是从数据库导出的CSV df pd.read_csv(prices.csv, parse_dates[date], index_coldate) # 第一步平稳性检验 result adfuller(df[price].dropna()) print(ADF Statistic:, result[0]) print(p-value:, result[1]) # 如果p-value 0.05说明不平稳需要差分 # 第二步做一阶差分 df[price_diff] df[price].diff().dropna() # 第三步画ACF和PACF图确定阶数 fig, axes plt.subplots(1, 2, figsize(12, 4)) plot_acf(df[price_diff].dropna(), axaxes[0]) plot_pacf(df[price_diff].dropna(), axaxes[1]) plt.show()看ACF和PACF图是ARIMA调参的关键步骤。简单记忆PACF截尾、ACF拖尾适合AR模型ACF截尾、PACF拖尾适合MA模型都拖尾就尝试ARMA模型需要进一步尝试不同阶数。3.3 手动调参与自动调参的选择手工看图定阶比较依赖经验如果是新手建议用auto_arima来自动搜索最佳参数组合这样既节省时间又避免“看图看到怀疑人生”的尴尬。pip install pmdarimafrom pmdarima import auto_arima model auto_arima( df[price], start_p0, max_p5, start_q0, max_q5, dNone, # 让模型自动判断差分阶数 seasonalTrue, # 开启季节性 m7, # 周周期农产品价格通常以周为周期波动 traceTrue, error_actionignore, suppress_warningsTrue ) print(model.summary()) # 最佳模型参数 print(model.order)m7这个参数对农产品数据很重要因为一周7天里买菜的人流量差别明显尤其是周末和工作日差别较大模型捕捉这种以7天为周期的季节性规律能让预测效果明显提升。模型训练完成后做未来7天或30天的预测forecast, conf_int model.predict(n_periods7, return_conf_intTrue) forecast_index pd.date_range(startdf.index[-1] pd.Timedelta(days1), periods7) forecast_series pd.Series(forecast, indexforecast_index) print(forecast_series)3.4 模型评估与效果展示预测效果不能只看结果图好看不好看要用数值指标说话。常用的是RMSE均方根误差和MAPE平均绝对百分比误差。from sklearn.metrics import mean_squared_error, mean_absolute_percentage_error # 假设已经划分了训练集和测试集 # y_true为真实值y_pred为预测值 rmse np.sqrt(mean_squared_error(y_true, y_pred)) mape mean_absolute_percentage_error(y_true, y_pred) * 100 print(fRMSE: {rmse:.3f}) print(fMAPE: {mape:.2f}%)MAPE在10%以内说明模型对价格趋势的捕捉能力很强在10%-20%之间说明预测有一定参考价值超过30%就要考虑是不是数据质量有问题或是否应该尝试其他模型。我在实际调参过程中发现农产品价格受天气、节假日、突发事件影响较大要追求绝对的精确预测难度很高但整体趋势预测还是能做到的。4. 可视化系统的实现4.1 前端技术选型与页面结构可视化部分选了ECharts它图表类型丰富、配置项灵活、社区资料多在中文环境里遇到问题搜一下就有答案。页面结构采用典型的“左侧导航栏 右侧内容区”布局导航栏包含价格走势、销量分析、预测结果和数据管理等页面。各个页面核心图表安排如下价格走势页折线图展示不同品种的历史价格趋势支持多品种对比。销量分析页柱状图展示月度销量饼图展示品种占比。预测结果页折线图同时展示历史真实值和未来预测值帮助用户直观看到预测效果。数据管理页用表格展示原始数据支持筛选和导出。4.2 Django后端接口设计前端图表的数据不是静态写死的要通过Ajax请求后端接口获取。Django里常用JsonResponse返回JSON数据推荐用Django Rest FrameworkDRF来写API这样代码更规范也能自动生成接口文档。一个典型的价格趋势接口响应格式如下{ code: 200, data: { dates: [2024-01-01, 2024-01-02], series: [ {name: 菠菜, prices: [2.5, 2.7]}, {name: 大白菜, prices: [1.2, 1.3]} ] } }后端实现的大致逻辑是# stats/views.py from django.http import JsonResponse from goods.models import Vegetable, PriceRecord def price_trend(request): veg_id request.GET.get(veg_id) days int(request.GET.get(days, 30)) # 查询最近N天的价格记录 records PriceRecord.objects.filter( vegetable_idveg_id, price_date__gte某个起始日期 ).order_by(price_date) dates [r.price_date.strftime(%Y-%m-%d) for r in records] prices [r.price for r in records] return JsonResponse({ code: 200, data: { dates: dates, prices: prices } })实际开发中这类接口不止一个销量分析接口、预测接口也都是类似的模式。做毕设答辩时如果你能讲清楚接口怎么设计、前端怎么渲染比背一堆概念更容易拿高分。4.3 ECharts图表渲染核心配置图表渲染最关键的是option配置下面是一个折线图示例// 页面中引入ECharts var chart echarts.init(document.getElementById(priceChart)); $.ajax({ url: /api/price/trend/, type: GET, data: { veg_id: 1, days: 30 }, success: function(res) { if (res.code 200) { chart.setOption({ title: { text: 近30天价格走势 }, tooltip: { trigger: axis }, legend: { data: [批发价格] }, xAxis: { type: category, data: res.data.dates }, yAxis: { type: value, name: 价格(元/公斤) }, series: [{ name: 批发价格, type: line, smooth: true, data: res.data.prices, areaStyle: { opacity: 0.3 } }] }); } } });这个配置的关键点在于xAxis的类型要设成category而不是time因为后端已经将日期格式化成了字符串数组category轴会按顺序展示数据。如果设成time轴ECharts会对日期重新排序数据量大的时候可能出现时间错位。smooth: true让折线更平滑视觉上比默认的硬折线好看很多。销量分析的柱状图和饼图配置类似只需要把type换成bar或pie并且调整对应的data格式。前端看着复杂实际做一遍就会发现套路非常固定。5. 核心功能完整实现过程5.1 数据采集与清洗脚本的编写写一个独立的Python脚本不依赖Django环境就能跑自动清洗原始数据并生成一个干净的CSV文件。# data/preprocess.py import pandas as pd def preprocess_prices(raw_path, output_path): df pd.read_csv(raw_path) # 统一列名 df.columns [date, name, price] # 去除空值 df df.dropna(subset[price]) # 日期转换 df[date] pd.to_datetime(df[date], errorscoerce) # 去掉转换失败的日期行 df df.dropna(subset[date]) # 同一日期同一品种取平均值避免重复记录 df df.groupby([name, date], as_indexFalse)[price].mean() # 保存结果 df.to_csv(output_path, indexFalse) print(f清洗完成共保留{len(df)}条记录) if __name__ __main__: preprocess_prices(raw_data.csv, clean_data.csv)这个脚本先把非法的日期和空值过滤掉再对同一天同一个品种的多条记录取均值。实际数据里重复记录几乎必然存在可能是多个市场都有价格可能是爬虫重复抓取不做这一步后面模型训练会报错或者效果不理想。清洗后的数据通过Django的manage.py脚本命令导入数据库。在某个App里新建management/commands/import_data.py文件# goods/management/commands/import_data.py from django.core.management.base import BaseCommand from goods.models import Vegetable, PriceRecord import pandas as pd class Command(BaseCommand): help 导入清洗后的价格数据 def add_arguments(self, parser): parser.add_argument(csv_path, typestr) def handle(self, *args, **options): df pd.read_csv(options[csv_path]) created_count 0 for _, row in df.iterrows(): veg, _ Vegetable.objects.get_or_create(namerow[name]) PriceRecord.objects.create( vegetableveg, price_daterow[date], pricerow[price] ) created_count 1 self.stdout.write(self.style.SUCCESS(f成功导入{created_count}条数据))在项目根目录执行python manage.py import_data data/clean_data.csv这种方式的好处是数据导入过程可以重复执行论文里写“数据预处理与导入”章节时步骤非常清晰复现性和可讲解性都很好。5.2 预测接口联调实战预测功能是这套系统的价值核心前端需要一个接口接收“品种”和“预测天数”两个参数返回历史数据和预测数据两个部分让前端画在一张图表里进行对比。# forecast/services.py import pandas as pd from pmdarima import auto_arima from goods.models import Vegetable, PriceRecord def get_forecast_data(veg_id, n_days7): records PriceRecord.objects.filter( vegetable_idveg_id ).order_by(price_date) if len(records) 30: raise ValueError(数据量不足无法进行预测) df pd.DataFrame({ date: [r.price_date for r in records], price: [r.price for r in records] }) df df.set_index(date) # 填充缺失日期 full_idx pd.date_range(df.index.min(), df.index.max(), freqD) df df.reindex(full_idx).interpolate() # 训练预测 model auto_arima( df[price], seasonalTrue, m7, traceFalse, error_actionignore, suppress_warningsTrue ) forecast, conf_int model.predict(n_periodsn_days, return_conf_intTrue) forecast_dates pd.date_range( startdf.index[-1] pd.Timedelta(days1), periodsn_days ) return { history: { dates: [d.strftime(%Y-%m-%d) for d in df.index], prices: df[price].round(2).tolist() }, forecast: { dates: [d.strftime(%Y-%m-%d) for d in forecast_dates], prices: forecast.round(2).tolist(), lower: conf_int[:, 0].round(2).tolist(), upper: conf_int[:, 1].round(2).tolist() } }这里有个容易被忽略的细节历史价格序列往往不是连续的日期直接喂给模型会出问题。所以先通过pd.date_range生成完整日期范围再用reindex加interpolate把缺失的日期填充好。这一步不做的话模型会把两个相邻但隔了好几天的数据当成连续日期预测结果必然受影响。接口视图部分用DRF的APIView来写# forecast/views.py from rest_framework.views import APIView from rest_framework.response import Response from forecast.services import get_forecast_data class ForecastView(APIView): def get(self, request): veg_id request.query_params.get(veg_id) n_days int(request.query_params.get(days, 7)) try: data get_forecast_data(veg_id, n_days) return Response({code: 200, data: data}) except ValueError as e: return Response({code: 400, msg: str(e)})前端拿到数据后把历史价格和预测价格拼接成两个series画到同一个折线图里。为了视觉清晰预测部分用虚线区分series: [ { name: 历史价格, type: line, smooth: true, data: res.data.history.prices }, { name: 预测价格, type: line, smooth: true, dash: true, data: [...res.data.history.prices, ...res.data.forecast.prices] } ]注意预测系列的x轴数据不能直接用预测日期列表因为它是从历史数据的最后一天之后开始的需要和历史数据的日期连起来形成一个完整的x轴才能实现两条线首尾相接。这个细节在做页面时让我纠结了一段时间单独说给还没做到这一步的读者参考。5.3 销量统计分析模块的实现销量分析模块不需要用ARIMA这种复杂模型主要是统计聚合图表展示。核心统计逻辑如下# stats/services.py from django.db.models import Sum, Count from goods.models import SaleRecord def get_monthly_sales(year): 按月统计销量 result SaleRecord.objects.filter( sale_date__yearyear ).values(sale_date__month).annotate( totalSum(amount), ordersCount(id) ).order_by(sale_date__month) return [{ month: item[sale_date__month], total: item[total], orders: item[orders] } for item in result] def get_sales_by_category(): 按品种分类统计销量占比 result SaleRecord.objects.values( vegetable__category ).annotate( totalSum(amount) ).order_by(-total) return [{ category: item[vegetable__category], total: item[total] } for item in result]在Django的ORM里用values().annotate()组合可以快速完成分组统计生成的SQL执行效率很高。需要注意values(sale_date__month)这种跨字段的分组方式对日期字段有效它会把日期中的月份提取出来做分组键。如果销量数据没有真实的销售明细也可以用模拟数据填充但生成的模拟数据一定要符合“周末高、工作日低”的规律否则分析结果图看起来很假。论文答辩时如果老师问起数据来源回答要提前准备好。6. 部署与常见问题排查6.1 本地开发环境的配置开发环境和项目的启动分为下面几步# 1. 创建虚拟环境 python -m venv venv # Windows下: venv\Scripts\activate, Linux/Mac下: source venv/bin/activate # 2. 安装依赖 pip install django djangorestframework pandas numpy matplotlib statsmodels pmdarima pip install mysqlclient # 如果使用MySQL # 3. 创建项目与App django-admin startproject price_system python manage.py startapp goods python manage.py startapp forecast python manage.py startapp stats # 4. 迁移数据库 python manage.py makemigrations python manage.py migrate # 5. 创建超级管理员 python manage.py createsuperuser # 6. 启动开发服务器 python manage.py runserver启动后访问http://127.0.0.1:8000/admin登录后台就能看到数据管理界面。把商品和价格数据录入后再打开前端页面就能看到图表有数据了。6.2 常见问题速查项目开发过程中最常遇到的几类问题我按自己的经验做了个整理问题描述原因分析解决方案图表不显示数据Ajax返回的数据结构不匹配打开浏览器控制台看请求响应确认字段名是否一致页面中文乱码数据库字符集配置错误MySQL改为utf8mb4Django设置LANGUAGE_CODE zh-hans预测结果全是同一个值时间序列被当成平稳序列没做差分检查d参数强制设置d1重试数据量大时图表卡顿一次性渲染全部数据按日期范围筛选只展示最近90天或180天模型训练报错数据中有NaN或非数值数据清洗步骤重新执行确认无缺失值Admin后台商品无法新增必填字段没正确设置检查模型字段是否为null/blank6.3 预测效果不稳怎么办很多同学跑到最后一步发现预测曲线的走势跟实际偏差很大然后怀疑是自己的代码写错了。其实农产品价格本身受外部因素干扰比较大尤其是天气变化和节假日需求冲击。遇到这种情况可以从下面几个角度逐个排除确认数据量是否足够。少于90条日度数据时ARIMA参数的收敛效果会比较差建议至少要有180条以上的历史记录。检查是否存在极端值。某一天价格突跳导致的异常值会把模型带偏。处理方式是对超出3倍标准差的异常点进行平滑修正。调整周期的参数。不同农产品的季节性周期不完全相同叶菜大约7-10天一个生产周期果菜的价格周期可能更长。可以尝试m7、m14或m30对比哪个参数下的RMSE更小。尝试简单模型。如果ARIMA效果不理想试一下Prophet或随机森林回归用多模型对比的结果写进论文里反而比只用一个模型更能展现你的数据思维。这里提醒一句预测的展示不要只画预测曲线要把真实历史曲线和预测曲线放在一起并标注置信区间。标注出置信区间会让系统看起来明显更专业在答辩现场的展示效果完全不一样。我们实际做这一类系统时都会把置信区间带上这也算是一个比较常规但好用的细节。7. 项目扩展与论文写作建议7.1 系统还能加哪些功能如果时间充裕想让项目竞争力再上一个台阶可以从下面几个方向扩展。这里不是空谈都是实际可落地的方案多模型对比。在预测模块中加入Prophet、LSTM等多个模型前端用下拉框切换模型类型后端动态调用不同算法。这个扩展点非常适合当论文里的“创新点”用一张表格对比不同模型的RMSE说服力非常强。用户多角色权限。管理员可以管理所有数据普通用户只能浏览图表和分析结果。Django的Groups和Permissions模块可以直接实现代码量不大。数据导出功能。为每个图表增加导出图片或CSV的功能用前端也可以用后端实现。答辩展示时现场导出一张预测图表会让评委眼前一亮。定时任务自动更新。如果数据源是稳定可访问的可以使用django-crontab或Celery定时抓取数据并重新训练模型。每天自动更新预测结果系统的数据新鲜度和智能化程度都会上一个台阶。7.2 论文写作要点毕设论文结构一般包括背景与意义、相关技术介绍、系统需求分析、系统设计、系统实现、系统测试、总结与展望。结合这个项目重点应该放在数据预处理部分要写得详细包括缺失值处理逻辑、异常值检测方法、数据标准化过程。这部分是体现工作量的关键区域容易配图表展开。预测模型部分先介绍时间序列分析原理再说明ARIMA数学公式的各个参数含义并结合项目数据说明为什么选择ARIMA。这部分是体现理论基础的关键区域。系统实现部分不要贴大量无意义的完整代码突出核心模块的实现思路和关键代码片段即可。测试部分不要只做功能测试最好加上模型评估数据展示不同模型的表现对比。这部分通常也是打分高的区域。7.3 项目演示视频录制建议录制演示视频时按照下面的顺序几分钟就能完整展示打开系统首页介绍项目背景和功能模块。进入价格走势页面切换不同蔬菜品种展示价格随时间变化的情况。进入销量分析页面展示月度销量柱状图和品种占比饼图。进入预测页面选择某品种展示未来7天的价格预测结果说明预测依据。进入后台管理页面展示数据管理功能添加一条新数据后回到前端页面确认数据更新生效。视频在5-8分钟比较合适不要念稿用自然口语讲解系统逻辑。实际操作时流畅切换页面比你背一堆功能描述有效得多。8. 实际开发中的一些体会这个项目从头到尾做下来代码量看着不小但真正让人花时间的其实是数据准备和调参那部分。Django框架本身是保姆级别ORM、Admin、DRF都是开箱即用难就难在数据清洗时那些琐碎的细节以及ARIMA调参时反复试验的阶段。我个人建议拿到这类题目的第一件事不是急着写代码而是先把数据质量和时间跨度确认好。数据可靠后面的一切都顺理成章数据不可靠模型再先进也表现不出来。如果数据源不好找宁可花两天时间去研究怎么爬公开网页也不要用明显失真的模拟数据硬撑。项目做完后别忘了做一轮完整回归测试。我遇到过的情况是改了一个页面上的小功能结果另一个功能模块因为引用了同一个公共函数而报错。毕业设计虽然不如生产项目那样严格但至少在提交和答辩前把主流程完整走一遍避免演示时突然翻车。如果顺利的话把多模型对比和定时自动更新这两个扩展点也做上这个项目的完整性已经能够超过大多数同类毕业设计了。