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。🍅

点击查看作者主页，了解更多项目！

🍅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）✅

2、最全计算机大数据专业毕业设计选题大全（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

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
    })

5、源码获取方式