博主介绍：✌全网粉丝50W+，前互联网大厂软件研发、集结硕博英豪成立软件开发工作室，专注于计算机相关专业项目实战6年之久，累计开发项目作品上万套。凭借丰富的经验与专业实力，已帮助成千上万的学生顺利毕业，选择我们，就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅🍅**感兴趣的可以先收藏起来，点赞、关注不迷路，大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助同学们顺利毕业 。**🍅
1、毕业设计：2026年计算机专业毕业设计选题汇总（建议收藏）✅
1、项目介绍
技术栈：Python语言、Flask框架、scikit-learn机器学习库、ECharts可视化库、requests爬虫、车主之家数据源
功能模块：
· 首页------注册登录
· 汽车销量分析
· 汽车不同品牌销量对比分析
· 汽车销量预测------3种预测算法
· 后台数据管理
· 数据采集
项目介绍：本项目为汽车销量分析与可视化系统，基于Python爬虫从车主之家定向采集汽车销量及品牌数据，经清洗后存入MySQL数据库。后端采用Flask框架搭建服务接口，前端结合ECharts生成销量趋势图、品牌对比图等可视化图表。系统集成ARIMA时间序列算法、决策树回归与岭回归三种预测模型，用户可选择算法对指定品牌下月销量进行预测。同时配备注册登录验证与后台数据管理模块，支持数据的增删改查及导入导出，形成从数据采集、分析展示到销量预测的完整闭环。
2、项目界面
（1）首页--注册登录
这是汽车销量分析与可视化系统的首页，页面顶部设有导航栏，包含首页、汽车总体销量分析、汽车品牌销量对比分析、汽车销量预测、后台数据管理等功能入口，页面中部展示系统介绍与登录注册区域，下方介绍了汽车销量数据采集、品牌销量对比分析、销量预测、可视化分析平台等核心功能模块。
（2）汽车销量分析
这是汽车销量分析与可视化系统的汽车总体销量分析页面，页面通过折线图展示中国汽车总体月销量走势，通过柱状图展示中国汽车总体年销量走势，直观呈现不同时间维度下汽车销量的变化趋势，帮助用户把握汽车市场的整体销售情况。
（3）汽车不同品牌销量对比分析
这是汽车销量分析与可视化系统的汽车品牌销量对比分析页面，页面支持选择年份，通过条形图展示各汽车品牌年度总销量的对比情况，通过环形饼图呈现热销TOP10汽车品牌的销量占比，直观呈现不同品牌的市场销售表现。
（4）汽车销量预测---3种预测算法
这是汽车销量分析与可视化系统的汽车销量预测页面，页面提供汽车品牌和预测算法的选择功能，结合折线图呈现品牌月度销量走势，并基于所选算法对该品牌下一个月度的销量进行预测，直观展示销量趋势与预测结果。
这是汽车销量分析与可视化系统的汽车销量预测页面，页面支持选择汽车品牌与多种预测算法，通过柱状图展示所选品牌的月度销量走势，并基于选定算法对该品牌下一个月度的销量进行预测，直观呈现销量趋势与预测结果。
这是汽车销量分析与可视化系统的汽车销量预测页面，页面支持选择不同汽车品牌与多种预测算法，通过折线图展示所选品牌的月度销量走势，并基于选定算法对该品牌下一个月度的销量进行预测，直观呈现销量趋势与预测结果。
（5）后台数据管理
这是汽车销量分析与可视化系统的后台数据管理页面，页面以表格形式展示汽车销量相关数据，支持数据的查看、新增、编辑、删除操作，提供筛选、分页与批量操作功能，用于维护系统内的汽车基础信息与销量数据，保障前端分析功能的数据支撑。
（6）数据采集
这是汽车销量分析与可视化系统的Python爬虫代码实现界面，通过编写网络爬虫代码，利用requests和BeautifulSoup库从指定网站抓取汽车销量相关数据，实现数据的自动化采集与清洗，为系统的分析、可视化与预测功能提供原始数据支撑。
3、项目说明
一、技术栈简要说明
本项目后端采用Python语言与Flask轻量级框架，负责路由控制、数据处理及接口服务。机器学习模块基于scikit-learn库实现决策树回归与岭回归算法，同时结合statsmodels库完成ARIMA时间序列分析。前端可视化采用ECharts图表库，生成折线图、柱状图、饼图等交互式图表。数据采集通过requests爬虫从车主之家网站抓取汽车销量及品牌数据，经清洗后存入MySQL数据库。整体技术栈覆盖数据采集、存储、分析、预测到可视化展示的全流程。
二、每个功能模块详细介绍
· 首页------注册登录
该模块为系统入口页面，顶部导航栏集成各功能入口。页面中部设置账号与密码输入框，提供注册及登录验证功能。用户通过身份校验后方可访问销量分析、品牌对比、销量预测及后台管理等核心模块。页面下方同步展示系统核心功能简介，帮助新用户快速了解平台能力。
· 汽车销量分析
该模块聚焦汽车市场整体销售趋势，通过折线图展示中国汽车月度销量变化曲线，通过柱状图呈现年度销量汇总数据。用户可直观把握不同时间维度下的销量波动规律，识别销售旺季与淡季，为宏观市场研判提供数据支撑。
· 汽车不同品牌销量对比分析
该模块支持按年份筛选数据，通过横向条形图展示各汽车品牌当年的年度总销量排名，同时采用环形饼图呈现热销TOP10品牌的销量占比。两种图表形式相互补充，清晰对比不同品牌的市场表现与份额分布。
· 汽车销量预测------3种预测算法
该模块集成ARIMA时间序列算法、决策树回归与岭回归三种预测模型。用户首先选择目标汽车品牌，系统以折线图展示该品牌历史月度销量走势，随后选择预测算法，后端基于历史数据完成模型训练与计算，返回下一个月度的销量预测值，并在图表中标注展示。三种算法可切换对比，满足不同场景下的预测需求。
· 后台数据管理
该模块以表格形式展示系统中存储的汽车销量、品牌信息等核心数据。管理员可执行数据的查看、新增、编辑、删除等操作，同时支持筛选、分页及批量处理功能。该模块保障了前端分析与预测功能的数据可维护性，便于数据更新与纠错。
· 数据采集
该模块为系统的数据源头，基于Python编写爬虫脚本，利用requests库发送网络请求，结合BeautifulSoup解析HTML页面，从车主之家网站定向抓取汽车销量及品牌数据。采集后的数据经过清洗、去重与格式统一，最终存入MySQL数据库，为后续分析、可视化与预测提供原始数据支撑。
三、项目总结
本项目构建了一套完整的汽车销量智能分析与预测系统，实现了从数据采集、清洗存储、可视化分析到多算法销量预测的业务闭环。前端提供注册登录、销量趋势查看、品牌对比、预测交互及后台数据管理等功能，后端依托Flask框架与scikit-learn、statsmodels机器学习库，集成ARIMA、决策树回归、岭回归三种预测算法。系统界面清晰，图表交互友好，为汽车市场研究、品牌竞争分析及销量趋势预判提供了全面的数据化工具。
4、核心代码
python
from flask import jsonify, Blueprint
import pandas as pd
from datetime import datetime
from dateutil.relativedelta import relativedelta
import sqlite3
from statsmodels.tsa.arima.model import ARIMA
from sklearn.tree import DecisionTreeRegressor
from sklearn.linear_model import Ridge
import numpy as np
api_blueprint = Blueprint('api', __name__)
# 读取数据库的数据
query_sql = "select * from car_info"
conn = sqlite3.connect('car_info.db')
cursor = conn.cursor()
cursor.execute(query_sql)
results = cursor.fetchall()
month_sell_counts = pd.read_csv('中国汽车销量总体排行.csv')
factory_month_sell_counts = pd.DataFrame(results)
factory_month_sell_counts.columns = ['时间', '车型', '厂商', '销量', '售价']
factory_month_sell_counts['年'] = factory_month_sell_counts['时间'].map(lambda x: str(x)[:4])
month_sell_counts = month_sell_counts.sort_values(by='时间', ascending=True)
month_sell_counts['年'] = month_sell_counts['时间'].map(lambda x: x.split('-')[0])
@api_blueprint.route('/month_year_sell_count')
def month_year_sell_count():
"""
基础折线图
"""
x = month_sell_counts['时间'].values.tolist()
y1 = month_sell_counts['销量'].values.tolist()
return jsonify({
'x': x,
'y1': y1
})
@api_blueprint.route('/year_sell_count')
def year_sell_count():
"""
基础折线图
"""
tmp = month_sell_counts[['年', '销量']].groupby('年').sum().reset_index()
x = tmp['年'].values.tolist()
y1 = tmp['销量'].values.tolist()
return jsonify({
'x': x,
'y1': y1
})
@api_blueprint.route('/get_all_factories')
def get_all_factories():
"""获取所有汽车品牌"""
factory_counts = factory_month_sell_counts['厂商'].value_counts().reset_index()
return jsonify({"factory": factory_counts['index'].values.tolist()})
@api_blueprint.route('/get_all_years')
def get_all_years():
years = factory_month_sell_counts['年'].values.tolist()
years = list(sorted(set(years), reverse=True))
return jsonify({"年": years})
def arima_model_train_eval(history):
"""
ARIMA差分自回归移动平均算法
"""
# 构造 ARIMA 模型
model = ARIMA(history, order=(1, 1, 0))
# 基于历史数据训练
model_fit = model.fit()
# 预测下一个时间步的值
output = model_fit.forecast()
yhat = output[0]
return yhat
# 训练数据集构造
# 使用历史数据的窗口
window = 5
x_train = []
y_train = []
factory_counts = factory_month_sell_counts['厂商'].value_counts().reset_index()
for factory in factory_counts['index'].values:
factory_history = factory_month_sell_counts[factory_month_sell_counts['厂商'] == factory]
if factory_history.shape[0] <= window:
continue
# 滑窗构造数据集
history_counts = factory_history['销量'].values
for i in range(0, len(history_counts) - window):
x = history_counts[i: i + window]
y = history_counts[i + window]
x_train.append(x)
y_train.append(y)
# 训练决策树和Ridge岭回归算法
ridge_model = Ridge()
ridge_model = ridge_model.fit(x_train, y_train)
tree_model = DecisionTreeRegressor()
tree_model = tree_model.fit(x_train, y_train)
print("Ridge岭回归算法训练集分数：", ridge_model.score(x_train, y_train))
print("决策树回归算法训练集分数：", tree_model.score(x_train, y_train))
def ridge_predict(history):
"""
Ridge岭回归算法
"""
x_test = np.array([history[-window:]])
pred_y = ridge_model.predict(x_test)
pred_y = pred_y[0]
return pred_y
def decision_tree_predict(history):
"""
决策树回归算法
"""
x_test = np.array([history[-window:]])
pred_y = tree_model.predict(x_test)
pred_y = pred_y[0]
return pred_y
@api_blueprint.route('/factory_month_year_sell_count_predict/<factory>/<algo>')
def factory_month_year_sell_count_predict(factory, algo):
"""
基础折线图
"""
tmp = factory_month_sell_counts[factory_month_sell_counts['厂商'] == factory]
tmp = tmp.drop_duplicates(subset=['时间'], keep='first')
year_months = tmp['时间'].values.tolist()
sell_counts = tmp['销量'].values.tolist()
# 销量预测算法
predict_sell_count = 0
if algo == "arima":
predict_sell_count = arima_model_train_eval(sell_counts)
elif algo == 'tree':
predict_sell_count = decision_tree_predict(sell_counts)
elif algo == 'ridge':
predict_sell_count = ridge_predict(sell_counts)
else:
raise ValueError(algo + " not supported.")
# 下一个月度
next_year_month = datetime.strptime(year_months[-1], '%Y%m')
next_year_month = next_year_month + relativedelta(months=1)
next_year_month = next_year_month.strftime('%Y%m')
year_months.append(next_year_month)
# 转为 int 类型
predict_sell_count = int(predict_sell_count)
sell_counts.append(predict_sell_count)
return jsonify({
'x': year_months,
'y1': sell_counts,
'predict_sell_count': predict_sell_count
})
@api_blueprint.route('/factory_year_compare/<year>')
def factory_year_compare(year):
"""
不同品牌年销量之间的对比情况
"""
tmp = factory_month_sell_counts[factory_month_sell_counts['年'] == year]
tmp = tmp[['厂商', '销量']].groupby('厂商').sum().reset_index()
tmp = tmp.sort_values(by='销量', ascending=True)
print(tmp)
x = tmp['厂商'].values.tolist()
y1 = tmp['销量'].values.tolist()
print(y1)
return jsonify({
'x': x,
'y1': y1
})