1、本项目通过已有的历史数据，对未来的数据进行分析和预测 2、本项目使用的项目栈：python、pandas、flask、机器学习、神经网络结合前端bootstrap框架 3、本项目基于机器学习和神经网络的知识，对历史数据先进行分类训练，提取训练模型后进行数据预测，并最终生成excel文件

完成了包含六个页面的智能助手管理后台系统，全面集成用户交互数据管理，每条用户提问、回复及推荐内容均精准记录并支持后台直观查询，提升体验追溯与数据管理效率。前端优化数据处理逻辑，减少DOM操作，利用setTimeout优化延时效果，确保页面流畅。系统核心由四大管理页面构成，灵活管理预设问题与回答，集成高效数据库操作，实现便捷信息管理。技术栈融合Python Flask、Bootstrap与jQuery，打造高效、易用且响应式的后台管理体验。 集成了recorder.mp3.min.js库，这一轻量级且高效的JavaScript插件，极大地简化了音频录制流程。用户仅需简单按住录音按钮，即可无缝启动高质量的音频录制，支持长达一分钟的连续录音，满足日常对话记录需求。录音完成后，即时获取到MP3格式的录音文件，为后续的自然语言处理、语音识别或存储分享等操作奠定了坚实基础。 对智能助手进行了全面的性能优化与响应速度升级。深度优化了用户问题缓存机制，引入Redis数据库实现每小时自动缓存用户提问与回复，凭借Redis的高速存取能力，显著提升了系统响应速度。同时，通过优化语义相似度匹配模型，实现了相似问题的快速检索与直接回复，有效节省了计算资源与存储空间。此外，针对服务器性能瓶颈，更换了更适合当前配置的轻量级模型，并通过代码优化进一步缩短了模型运行时间，确保了在高负载下仍能保持高效稳定的处理能力。

1、本项目解决了数据可视化的问题，高效快速直观获取数据信息 2、本项目用到的技术栈：python、flask、mysql结合前端框架bootstrap和ajax交互 3、通过不同的平台以及日期的选择将数据进行绘制成折线图和柱状图以及饼图展示