鼠先知 (SHU Prophet) - 新一代时序智能预测与决策平台

一个集前沿算法、交互验证与AI智能助理于一体的全栈Web应用，专为高水平科研成果的展示、探索与应用而生。

---

鼠先知 (SHU Prophet) 旨在将复杂的前沿时间序列预测算法，通过一个交互式、可视化的平台进行呈现、验证和应用，彻底打通从理论研究到实践决策的“最后一公里”。平台的核心驱动力不仅包括强大的自研模型矩阵，更引入了由大语言模型（LLM）赋能的 AI智能助理，将用户体验提升到全新高度。

项目亮点 (Highlights)

• AI 智能助理 (AI Agent): 平台内置由 LangChain 和大语言模型（如Kimi, Claude）驱动的AI助理。它不仅能与用户进行自然语言对话，更能深度理解项目背景，引导用户上传数据，并自动生成专业的、图文并茂的预测分析报告。

• 自研模型矩阵 (Proprietary Models): 平台理论核心由四大独立设计和实现的SOTA（State-of-the-Art）模型驱动，共同构成了强大的预测能力：

  • TimeFlowDiffuser: 创新的层级式扩散框架，擅长长周期预测。
  • EnergyPatchTST: 专为能源领域设计，支持多尺度分解与不确定性量化。
  • LWSpace: 结合小波变换与状态空间，对噪声数据鲁棒性极强。
  • SWIFT: 双路径协同架构，完美平衡预测精度与效率。

• 成果即数据 (Achievement as Data): 采用“CSV驱动”策略，科研成果（模型预测结果）可作为核心输入，后端自动完成数据预处理、性能度量（MAE/MSE）和多模型可视化对比。

• 现代化全栈技术 (Modern Full-Stack): 前端采用 Vue 3 + Vite + Element Plus + ECharts 构建响应式界面；后端采用 Python + Flask + Pandas 提供高效数据API，并通过 LangChain 无缝集成大模型能力。

• 高度可扩展 (Highly Extensible): 在“科研成果探索”模块中，只需在CSV文件中增加数据列，即可在前端自动展示新模型的对比结果，无需修改任何代码，极大方便了算法的迭代与验证。

快速开始 (Quick Start)

在开始之前，请确保您的电脑上已经安装了以下环境：

• Python (>= 3.9)
• Node.js (>= 16)
• pip & npm

1. 启动后端服务 (Backend)

首先，启动提供数据处理和AI助理API的Flask后端。

# 1. 进入后端目录
cd backend

# 2. (推荐) 创建并激活Python虚拟环境
python -m venv venv
# Windows: venv\Scripts\activate
# macOS/Linux: source venv/bin/activate

# 3. 安装所有Python依赖
pip install -r requirements.txt

# 4. 配置API密钥(重要!)
#    - 复制 .env.example 文件并重命名为 .env
#    - cp .env.example .env
#    - 在 .env 文件中填入你的大模型API Key (例如 Kimi 或 Claude)

# 5. 运行Flask后端服务
python app.py

# 服务将运行在 http://127.0.0.1:5000
# 请保持此终端窗口运行

2. 启动前端服务 (Frontend)

然后，在一个新的终端窗口中启动提供用户界面的Vite前端。

# 1. 进入前端目录
cd frontend

# 2. 安装所有Node.js依赖
npm install

# 3. 启动Vite开发服务器
npm run dev

# 前端应用将运行在 http://localhost:5173 (或其它可用端口)

现在，打开您的浏览器并访问 http://localhost:5173，即可开始与“鼠先知”平台的AI智能助理互动！

技术栈 (Tech Stack)

分类	技术
前端 (Frontend)	Vue 3, Vite, Vue Router, Element Plus, ECharts, Axios
后端 (Backend)	Python 3, Flask, Pandas, NumPy, Scikit-learn, Statsmodels
AI 核心 (AI Core)	LangChain, ChatOpenAI (兼容 Kimi, Claude 等), ConversationChain
开发工具 (Dev Tools)	VS Code, Git, npm, pip, venv, python-dotenv

项目结构 (Project Structure)

shu-prophet/
├── backend/                  # 后端代码
│   ├── models/               # 核心逻辑模块
│   │   ├── agent_chain.py    # LangChain 智能助理核心
│   │   ├── prediction_tool.py# 数据分析与预测工具
│   │   └── ...
│   ├── static_data/          # 静态数据目录
│   │   └── research_datasets/  # 科研成果CSV存放处
│   ├── uploads/              # 用户上传文件存放处
│   ├── .env                  # (需自行创建) 环境变量，存放API Key
│   ├── .env.example          # 环境变量示例文件
│   ├── app.py                # Flask 主应用
│   └── requirements.txt      # Python 依赖
│
├── frontend/                 # 前端代码
│   ├── src/
│   │   ├── assets/           # 静态资源
│   │   ├── components/       # Vue 可复用组件 (AgentInteraction.vue 等)
│   │   ├── router/           # Vue 路由配置
│   │   ├── views/            # Vue 页面级组件 (AgentView.vue 等)
│   │   ├── App.vue           # 根组件
│   │   └── main.js           # 应用入口
│   ├── package.json          # Node.js 依赖
│   └── ...
│
└── README.md                 # 就是你正在看的这个文件

如何扩展？(How to Extend)

扩展本项目的核心成果展示非常简单！

假设您有一个新的模型 MyAwesomeModel，并已得到其预测结果。

1. 打开 backend/static_data/research_datasets/ 目录下的CSV文件。
2. 在文件的第二行（表头行），在末尾新增两列：MyAwesomeModel_X,MyAwesomeModel_Y。
3. 在下面的数据行中，将您的新模型预测的 x 和 y 结果数据，分别粘贴到这两列下方。
4. 保存文件。

完成！ 您无需修改任何代码。刷新前端页面，在“核心功能”的图表和指标卡片中，就会自动出现新模型 MyAwesomeModel 的对比结果。

作者 (Author)

• Wei Li, Shanghai University
• [email protected]

---

为推动时间序列研究的发展而构建。