💖🔥作者主页：计算机毕设木哥🔥 💖

文章目录

  • 一、项目介绍
  • 二、开发环境
  • 三、系统展示-基于大数据的汽车销量数据统计可视化系统
  • 四、代码展示
  • 五、项目总结


一、项目介绍

本课题的研究背景和意义

随着汽车产业的不断发展，汽车销量的数据量也在逐年增长。这些数据蕴含着丰富的信息和商业价值，但同时也带来了数据处理和可视化的挑战。传统的数据处理方法已经无法满足现代汽车销售市场的需求，因此，基于大数据的汽车销量数据统计可视化系统的研究具有重要意义。

现有解决方案存在的问题

目前，汽车销售数据的处理和分析主要存在以下问题：数据处理方法落后，数据处理效率低下，数据可视化程度不够，缺乏对市场趋势的深入分析和预测等。这些问题导致了无法对汽车销售市场进行全面、准确的分析和预测，从而影响了企业的决策和市场竞争力。因此，本课题的研究对于解决这些问题，提高汽车销售市场的分析预测能力和企业决策水平具有重要意义。

本课题能够实现什么

本课题将研究基于大数据的汽车销量数据统计可视化系统，实现对海量汽车销售数据的快速处理、分析和可视化。通过本课题的研究，我们将能够实现以下目标：提高数据处理效率，实现对大量数据的快速处理和分析；深入挖掘数据中的商业价值，为企业提供准确的市场分析和预测；提高数据的可视化程度，直观展示市场趋势和销售情况；提供个性化的数据分析和可视化服务，满足不同用户的需求。

本课题的研究目的

本课题的研究目的是开发出一套基于大数据的汽车销量数据统计可视化系统，解决现有数据处理和可视化方法存在的问题，提高汽车销售市场的分析预测能力和企业决策水平。通过本课题的研究，我们将能够更好地利用大数据技术，实现对汽车销售数据的全面、准确的分析和预测，推动汽车产业的持续发展。

二、开发环境

  • 大数据技术：Hadoop、Spark、Hive
  • 开发技术：Python、Django框架、Vue、Echarts
  • 软件工具：Pycharm、DataGrip、Anaconda、VM虚拟机

三、系统展示-基于大数据的汽车销量数据统计可视化系统

汽车销量预测GBDT算法代码 统计汽车销量的网站_hadoop

四、代码展示

import sys 
sys.path.append(r'F:\workplace\Python\ml\LSTM-Agricultural-Products-Prices\Time-Series-Prediction-with-LSTM/')  
from utils import eemd_tools, data_tools, networks_factory, data_metrics
from utils.constants import const


# fix random seed for reproducibility
np.random.seed(7)


data_multi = np.load(const.PROJECT_DIR + "data/eemd/apple/data_multi.npy")
print("# shape", data_multi.shape)  # not .shape()
# print(data_multi)
n_dims = data_multi.shape[1]  # magic number !
print("# dims: ", n_dims)


# normalize features
scaler = data_tools.Po_MinMaxScaler
scaled = scaler.fit_transform(data_multi)

output = 1
lag = const.LOOK_BACK

reframed = data_tools.series_to_supervised(scaled, lag, output)
# drop columns we don't want to predict
index_drop = [-j-1 for j in range(data_multi.shape[1] - 1)]
reframed.drop(reframed.columns[index_drop], axis=1, inplace=True)
data_supervised = reframed.values
print("# shape:", reframed.shape)
print(len(data_multi) == len(reframed) + lag)
# print(reframed.head(3))

# split into train and test sets
train_size = int(len(data_supervised) * const.TRAIN_SCALE)
test_size = len(data_supervised) - train_size
train_data, test_data = data_supervised[0:train_size,:], data_supervised[train_size:len(data_multi),:]
print(len(train_data), len(test_data))
print(len(data_supervised) == len(train_data) + len(test_data)) 
# print(train_data)


# split into input and outputs
train_X, train_Y = train_data[:, :-1], train_data[:, -1]
test_X, test_Y = test_data[:, :-1], test_data[:, -1]
print("# shape:", train_X.shape)
print("# shape:", train_Y.shape)


from sklearn.utils import shuffle
from scipy.sparse import coo_matrix

# shuffle train set (include validation set)
trainX_sparse = coo_matrix(train_X)  # sparse matrix
train_X, trainX_sparse, train_Y = shuffle(train_X, trainX_sparse, train_Y, random_state=0)


time_steps = lag
n_lstm_neurons = [8, 16, 32, 64, 128]
# n_lstm_neurons = [8]  # for once
n_epoch = networks_factory.EPOCHS
n_batch_size = networks_factory.BATCH_SIZE


# reshape input to be 3D [samples, timesteps, features]
train_X = train_X.reshape((train_X.shape[0], time_steps, train_X.shape[1]//time_steps))
test_X = test_X.reshape((test_X.shape[0], time_steps, test_X.shape[1]//time_steps))
print(train_X.shape, train_Y.shape)
print(test_X.shape, test_Y.shape)


for i, n_lstm_neuron in enumerate(n_lstm_neurons):
    
    print("-----------n_lstm_neuron: %d--------------" % n_lstm_neuron)
    
    s, model = networks_factory.create_lstm_model_dropout(lstm_neurons=n_lstm_neuron, hidden_layers=2, 
                                                          lenth=time_steps, dims=n_dims, n_out=1)
    model.compile(loss='mean_squared_error', optimizer='adam')
    history = model.fit(train_X, train_Y, epochs=10, batch_size=n_batch_size, validation_split=const.VALIDATION_SCALE,
                    verbose=0, callbacks=[networks_factory.ES])  # callbacks=[networks_factory.ES]
    print("# Finished Training...")
    
    # make a prediction
    train_predict = model.predict(train_X)
    test_predict = model.predict(test_X)
                                                    
    # invert predictions
    inv_trainP, inv_trainY = data_tools.inv_transform_multi(scaler, train_X, train_predict, train_Y)
    inv_testP, inv_testY = data_tools.inv_transform_multi(scaler, test_X, test_predict, test_Y)

    # calculate RMSE, MAPE, Dstat
    train_rmse = sqrt(mean_squared_error(inv_trainP, inv_trainY))
    test_rmse = sqrt(mean_squared_error(inv_testP, inv_testY))
    print('Train RMSE: %.4f, Test RMSE: %.4f' % (train_rmse, test_rmse))
    train_mape = data_metrics.MAPE(inv_trainP, inv_trainY)
    test_mape = data_metrics.MAPE(inv_testP, inv_testY)
    print('Train MAPE: %.4f, Test MAPE: %.4f' % (train_mape, test_mape))
    train_ds = data_metrics.Dstat(inv_trainP, inv_trainY)
    test_ds = data_metrics.Dstat(inv_testP, inv_testY)
    print('Train Dstat: %.4f, Test Dstat: %.4f' % (train_ds, test_ds))
    
print("# All Done!")

五、项目总结

随着科技的发展和数据的爆炸式增长，大数据技术正逐渐成为各行业的重要支柱。在汽车行业中，汽车销量的数据尤其关键，它涉及到企业的决策、市场分析、产品优化等多个方面。本研究旨在开发一个基于大数据的汽车销量数据统计可视化系统，通过提高数据处理效率、深入挖掘数据中的商业价值、直观展示市场趋势和销售情况，以提升汽车销售市场的分析预测能力和企业决策水平。