# 基于大模型的城市洪涝预测

**Repository Path**: Z2003y2003f/flood

## Basic Information

- **Project Name**: 基于大模型的城市洪涝预测
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 1
- **Created**: 2026-01-23
- **Last Updated**: 2026-01-23

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 洪水监测系统

## 项目简介

这是一个完整的洪水监测和水位预测系统，集成了前端可视化展示、后端数据服务和Python水位预测算法。系统提供实时水位监控、历史数据分析、多算法水位预测以及丰富的数据可视化功能。

## 技术栈

### 前端
- **框架**: Vue 3 + Vite
- **图表可视化**: ECharts
- **样式**: CSS3

### 后端
- **运行环境**: Node.js + Express
- **数据处理**: JavaScript

### 预测服务
- **语言**: Python 3
- **算法**: LSTM, Transformer,  LLM Transformer

## 主要功能

1. **实时监测**: 显示当前水位、降雨量等实时数据
2. **历史分析**: 提供历史数据查询和趋势分析
3. **水位预测**: 支持多种算法的水位预测功能
4. **数据可视化**: 丰富的图表展示，包括折线图、柱状图、地图等
5. **区域筛选**: 支持按区域筛选和查看数据

## 系统架构

- **前端** (`src/`): 负责用户界面和数据展示
- **后端** (`server/`): 提供API服务和数据处理
- **预测模块** (`server/predictors/`): 实现多种水位预测算法
- **数据收集** (`server/water_data_collector.py`): 负责数据爬取和处理

## 接口文档

详细的API接口说明请查看项目根目录下的 [API文档.md](API文档.md)。

## 快速开始

### 环境要求

- Node.js 14+
- npm 6+
- Python 3.8+

### 启动方式

最简单的启动方式是使用提供的批处理脚本：

```bash
npm run dev
```

该脚本会自动：
1. 检查Node.js环境
2. 安装前后端依赖
3. 构建前端项目
4. 启动后端服务器

### 手动启动

#### 1. 安装依赖

```bash
# 安装前端依赖
npm install

# 安装后端依赖
cd server
npm install
cd ..
```

#### 2. 安装Python依赖

```bash
cd server
pip install -r requirements.txt
cd ..
```

#### 3. 构建前端

```bash
npm run build
```

#### 4. 启动服务器

```bash
cd server
node server.js
```

## 访问地址

启动成功后，可以通过以下地址访问应用：

```
http://localhost:3000
```

## 项目结构

```
flood-1/
├── src/              # 前端源代码
│   ├── components/   # Vue组件
│   ├── services/     # API服务
│   ├── assets/       # 静态资源
│   └── data/         # 数据文件
├── server/           # 后端代码
│   ├── predictors/   # Python预测器模块
│   └── server.js     # Express服务器
├── dist/             # 构建输出目录
└── start.bat         # 启动脚本
```

## 水位预测算法

系统支持以下四种预测算法：

1. **LSTM**: 基于长短期记忆网络的时序预测
2. **Transformer**: 基于自注意力机制的预测模型
3. **Random Forest**: 基于随机森林的集成学习方法
4. **LLM Transformer**: 基于大语言模型架构的预测方法

## 注意事项

1. 实时数据功能需要网络连接
2. 预测服务需要Python环境支持
3. 开发环境中后端默认端口为3001，生产环境为3000