基于机器学习的酒店数据分析及流失预测系统项目简介本系统是一个面向酒店行业的客户数据分析与流失预测平台基于 Antonio et al. (2019) 公开的酒店预订需求数据集采用 Flask SQLite ECharts scikit-learn 技术栈实现数据可视化分析、机器学习流失预测、模型管理等功能帮助酒店管理者识别流失风险客户并制定针对性挽留策略。功能模块模块功能说明用户认证用户登录、注册、角色权限管理管理员/普通用户数据概览核心KPI仪表盘总预订量、取消率、流失率、平均ADR、月度预订与流失趋势折线图、酒店类型分布环形图、Top10客源国柱状图、市场细分占比环形图数据分析城市酒店与度假酒店对比、膳食类型分布、客户类型分析、提前预订天数分布、ADR价格区间分布、市场细分取消率、市场细分详细数据表格流失分析押金类型与流失率、流失关键因素分析、提前预订天数与流失率关系、ADR区间与流失率关系、客户类型流失对比、流失因素统计表流失预测单条客户流失预测输入预订信息输出流失概率与风险等级、批量预测验证最近50条数据验证、预测历史记录模型管理支持随机森林/梯度提升/逻辑回归三种算法训练、混淆矩阵热力图、ROC曲线、特征重要性Top10排名、训练历史记录数据管理多条件筛选查询酒店类型/流失状态/取消状态/关键词、分页浏览、CSV数据导出报表中心综合数据报表、流失分析报表、模型评估报表支持打印用户管理管理员专属页面用户列表查看与删除数据来源数据集文件记录数说明Hotel Booking Demandhotels.csv~119,390 条来源于 Antonio, Almeida and Nunes (2019)包含城市酒店和度假酒店的预订数据数据集下载地址TidyTuesday - Hotel Booking Demand流失定义客户流失标签churn_label定义规则流失1预订取消is_canceled 1或非回头客且有历史取消记录未流失0不符合上述条件的客户标准版目录结构python-hotel-booking-fenxi-liushi/ ├── app.py # Flask 应用主入口路由定义与API接口 ├── config.py # 应用配置数据库路径、密钥、分页参数 ├── database.py # SQLite 数据库连接管理、建表、数据导入 ├── init_system.py # 系统初始化脚本建库、导入数据、训练模型 ├── requirements.txt # Python 依赖包清单 ├── data/ │ └── hotels.csv # 酒店预订数据集 ├── database/ │ └── hotel.db # SQLite 数据库文件自动生成 ├── ml/ │ ├── __init__.py │ ├── preprocess.py # 数据预处理特征工程、编码 │ ├── train.py # 模型训练随机森林/梯度提升/逻辑回归 │ └── predict.py # 预测服务单条预测、批量预测 ├── models/ │ ├── churn_model.pkl # 训练好的模型文件自动生成 │ ├── model_metrics.json # 模型评估指标自动生成 │ └── feature_importance.json # 特征重要性自动生成 ├── services/ │ ├── __init__.py │ ├── auth_service.py # 认证服务登录、注册、用户管理 │ └── analysis_service.py # 数据分析服务统计、检索、导出 ├── static/ │ ├── css/ │ │ └── custom.css # 自定义样式 │ └── js/ │ ├── common.js # 全局工具函数与ECharts封装 │ ├── dashboard.js # 数据概览页图表 │ ├── analysis.js # 数据分析页图表 │ ├── churn_analysis.js # 流失分析页图表 │ ├── model.js # 模型管理页图表 │ ├── predict.js # 流失预测页交互 │ ├── data.js # 数据管理页交互 │ └── reports.js # 报表中心页交互 ├── templates/ │ ├── base.html # 基础模板导航栏、CDN引用 │ ├── login.html # 登录页 │ ├── register.html # 注册页 │ ├── dashboard.html # 数据概览页 │ ├── analysis.html # 数据分析页 │ ├── churn_analysis.html # 流失分析页 │ ├── predict.html # 流失预测页 │ ├── model.html # 模型管理页 │ ├── data.html # 数据管理页 │ ├── reports.html # 报表中心页 │ └── admin/ │ └── users.html # 用户管理页 ├── 运行步骤必看/ │ └── window.md # Windows 运行步骤说明 ├── mac_run.sh # macOS/Linux 一键启动脚本 ├── window_run.bat # Windows 一键启动脚本 ├── 训练手册.md # 模型训练手册 ├── 项目说明.md # 本文档 └── README.md # 项目简介技术栈类别技术后端Python 3.12 Flask 3.0数据库SQLite 3前端HTML5 Bootstrap 5.3 ECharts 5.5机器学习scikit-learn 1.5随机森林 / 梯度提升 / 逻辑回归数据处理pandas 2.2 numpy 1.26模型持久化joblib 1.4密码安全SHA-256 哈希环境要求项目要求Python3.12操作系统Windows / macOS / Linux内存建议 2GB 以上模型训练时使用磁盘约 300MB含依赖和数据库浏览器Chrome / Firefox / Safari / Edge 现代版本账号信息角色用户名密码管理员adminadmin123普通用户analystanalyst123管理员拥有用户管理页面访问权限可删除普通用户。新注册用户默认为普通用户角色。模型评估系统默认使用随机森林分类器典型指标准确率 (Accuracy): ~87%F1 分数: ~80%AUC: ~93%实际指标取决于数据集导入和训练结果。