紫金财险 · 智能人伤自核引擎（Human Injury Estimator)

基于多场景预测的动态阈值估损与实时预警系统。后端采用 FastAPI + Python 机器学习（严格模式：仅真实模型，无模拟回退），前端采用 Vue 3 + Element Plus，内置批量处理、历史相似案例分析、报告导出与全链路监控（Prometheus/Grafana）。

项目简介
最新变更摘要（2025-11-11）
当前状态速览
技术栈
系统架构概览
端到端数据流（从输入 → 模型调用 → 处理 → 分析 → 输出）
主要能力与接口
系统需求与范围
本地运行（Docker Compose）
监控与可观测性
目录结构
开发与测试
常见问题（FAQ）

项目简介

本项目用于对人伤案件进行“动态阈值估损”和“实时风险预警”，并提供：

单笔估损与批量估损（同步/异步）
智能模型选择（按伤情/地区/金额等自适应配置）
历史相似案例检索与对比分析
报告导出（估损、历史分析、批量结果）
业务与系统级监控（Prometheus 指标 + Grafana 看板）

面向典型医疗人伤理赔场景，目标是提升自核准确性、降低超赔风险、缩短处理时长并增强可追溯性与决策辅助：

准确性：通过多模型+自适应阈值选择减少经验拍脑袋估损误差；
风险预警：在检测费用结构与超阈比的同时基于伤情/地区等风险因子生成增强画像；
批量能力：支持理赔集中处理高峰期导入 Excel 批量评估与报告产出；
历史学习：基于相似案例与趋势分析提供横向/纵向参考，提高核查效率；
可观测性：通过指标/告警/看板保障稳定性与模型可运营性；
可演进性：严格模式下当真实模型不可用将直接返回错误（不再提供模拟输出，以避免误导决策）；同时为后续替换/多模集成预留接口。

当前状态速览

已完成
- /api/v1/estimate 集成数值型 SHAP，Top-15 蜂群图统一输出；前端仅保留蜂群图并去重提交触发。
- Redis 加固、Nginx /nginx_status 暴露、Prometheus 抓取与 Grafana 看板修复。
- GAN 阈值非负钳制；批量与历史分析链路稳定；DB 已迁移至 MySQL（SQLAlchemy）。
- 测试覆盖增加（SHAP 结构长度 15 的断言）。
待办/后续
- 验证运行日志仅出现一次“单条预测模式”（排除重复提交的运行态确认）。
- 视需要在单条响应中显式合入 enhanced_alert 字段并补充测试。
- 建立 Alembic 初始迁移与备份策略，接入 mysqld_exporter 丰富数据库指标。

技术栈

后端：FastAPI、Pydantic、MySQL 8.0（SQLAlchemy ORM）、Celery（异步）、Redis（队列）、Prometheus 客户端
机器学习：TensorFlow、scikit-learn、jieba、NumPy、Pandas
前端：Vue 3、Vite、Element Plus、ECharts
部署/监控：Docker、Docker Compose、Prometheus、Grafana、Alertmanager、Node Exporter

系统架构概览

[Vue3 前端] ⇄ [FastAPI 后端]
                      ├─ services.estimate_injury_case()
                      │    ├─ model_selector.select_model_for_case()
                      │    ├─ predict_model.CompensationThresholdPredictorFull.predict_single_case()
                      │    ├─ enhanced_alert_service.get_enhanced_alert_analysis()
                      │    └─ database.save_case()
                      ├─ 批量：process_batch_file() / Celery 异步任务
                      ├─ 历史分析：HistoricalAnalysisService（相似/对比/趋势）
                      ├─ 报表：report_export_service（PDF/Excel）
                      └─ 监控：Prometheus /metrics + Instrumentator

端到端数据流（从输入 → 模型调用 → 处理 → 分析 → 输出）

以下以“单笔估损接口 /api/v1/estimate”为例，详细说明核心数据流：

前端提交输入

页面：frontend-vue/src/views/EstimateView.vue
用户填写基础信息（性别、伤势等级、责任系数、治疗情况等）、诊断信息、各项费用（医疗费/营养费/护理费/误工费/后续治疗/精神抚慰金/其他费用）。
表单校验通过后，向后端 POST /api/v1/estimate 提交 InjuryCaseInput（Pydantic）结构化 JSON。

后端接收与模型前置处理

入口：backend/main.py 中 @app.post("/api/v1/estimate")
反序列化为 models.InjuryCaseInput，并计数/耗时等指标写入 Prometheus。

智能模型选择（自适应配置）

services.estimate_injury_case() 首先调用 model_selector.select_model_for_case()：
- 计算案件总费用、金额区间、伤情复杂度、治疗复杂度、地区经济水平、风险指标等
- 产出最优“伤情级别模型”与参数（阈值倍数、风险敏感度、置信度修正等）

模型推理（严格模式：仅真实模型）

使用 predict_model.CompensationThresholdPredictorFull 或 backend/ml/full_pipeline_gan.py::FullPipelineGANPredictor（经 backend/ml/gan_predictor.py 适配）：
- 内含 DataProcessor 完成特征工程（证件地区映射、文本分词、数值归一化等）
- 加载模型资产（见 backend/model_assets/）进行推理，得到基础预测与阈值信息
严格模式：若真实模型不可用，将返回明确错误，不再模拟降级。

业务后处理、解释与增强分析

费用总额与阈值融合“智能模型配置”得到 final_threshold 与 predicted_amount
依据超阈比与配置评估四级 risk_level（green/yellow/orange/red）与 confidence，并计算 exceed_ratio
生成 cost_breakdown（各费用项分解）、risk_factors、recommendations
调用 enhanced_alert_service.get_enhanced_alert_analysis() 输出更细粒度的预警画像（结合伤情/治疗/地区/复杂度）
生成解释：构造 shap_explanation 字段（Top-15 蜂群图数据）；真实 SHAP 可用时返回训练分布的 |SHAP| 排序分位与当前样本数值；不可用时回退到规则化的多项成本贡献与责任系数，并补齐占位特征以严格 15 项。

结果持久化与兼容字段

通过 database.save_case() 将案件核心结果落库（MySQL，使用 SQLAlchemy ORM）
同时填充兼容字段：final_threshold、total_compensation、is_above_threshold、injury_severity、region_name 等

最终响应

统一返回 InjuryEstimateResponse（包含预测、阈值、四级风险、exceed_ratio、分解、建议、增强预警、shap_explanation 与原始输出快照），前端渲染卡片/图表展示。

并行/周边能力的数据流：

批量估损（同步）：POST /api/v1/batch-estimate 解析 CSV/Excel（Pandas），逐条走单笔流程并汇总；响应包含 results 与 results_token
批量估损（异步）：POST /api/v1/batch-estimate-async 投递 Celery 任务，GET /api/v1/task-status/{taskId} 轮询进度；完成后任务结果同样包含 results_token
历史分析：/api/v1/historical-analysis/* 调用 HistoricalAnalysisService，包含相似案例检索、明细对比与趋势分析
报表导出：/api/v1/reports/* 由 report_export_service 生成报告文件，/api/v1/reports/download/{filename} 下载
监控指标：所有请求在 REQUEST_COUNT/REQUEST_DURATION 与 /metrics 暴露；另有 prometheus_fastapi_instrumentator 自动指标

前端视图数据流（批量与历史分析）

以下梳理前端关键视图与后端 API 的交互路径，便于排查问题与扩展功能。

批量案件处理（frontend-vue/src/views/BatchProcessView.vue）

上传与处理
- 触发：Element Plus el-upload 拖拽/选择文件
- 目标：POST /api/v1/batch-estimate（由 uploadUrl = api.defaults.baseURL + '/batch-estimate' 计算，api.defaults.baseURL 固定为 /api/v1）
- 载荷：浏览器自动构造 multipart/form-data，支持 .xlsx/.xls/.csv
- 后端：解析文件 → 逐条调用单笔估损 → 汇总成列表并返回，同时生成 results_token
- 前端：接收 { success, data, results_token }，渲染表格/统计，并优先在导出时使用 results_token
- 大文件自动异步：当上传文件超过 1MB 时，前端自动切换至 POST /api/v1/batch-estimate-async；完成后在 GET /api/v1/task-status/{id} 的 result 中同样可获得 results_token
模板下载
- GET /api/v1/reports/template?template_type=batch&file_format=excel
- 返回 { success, filename, report_url }，前端创建 <a> 触发下载
批量结果导出
- POST /api/v1/reports/batch
- Body（推荐，避免大 JSON）：{ results_token: '<服务返回的token>', export_format: 'excel', include_summary: true, include_charts: true }
- Body（兼容老流程）：{ batch_results: [...], export_format: 'excel' }
- 返回 { success, filename, report_url }，用于下载 Excel 报告
- Windows PowerShell 示例（token 方式，避免复杂转义）：
  - 使用 Invoke-WebRequest 或 curl.exe 时注意 JSON 转义；建议优先通过前端按钮导出。
展示与字段映射
- 风险状态：四级 risk_level（green/yellow/orange/red）与 exceed_ratio 可视化；is_above_threshold 兼容显示
- 预测阈值：final_threshold
- 伤情等级/地区：injury_severity、region_name
- 费用明细：如 fee_yiliao、unit_fee_wugong * quantity_wugong 等
认证/头信息
- 组件示例中加入了 Authorization: Bearer <token>（如后端未启用校验，可忽略）
CSV 解码容错：后端对 CSV 读取已支持 utf-8 → gbk → latin-1 回退，降低因编码导致的解析失败。
反向代理容忍度：前端 Nginx 已设置 client_max_body_size 50m 与较长超时，降低 413/502 风险。

历史分析视图（frontend-vue/src/views/HistoricalAnalysisView.vue）

相似案件检索
- POST /api/v1/historical-analysis/similar-cases
- Body：{ current_case, similarity_threshold, max_results, date_range_months }
- 返回：{ success, similar_cases, search_summary }
- UI：卡片网格展示相似度、伤情/治疗/金额/日期与匹配因素；支持多选（最多5个）
详细对比分析
- POST /api/v1/historical-analysis/detailed-comparison
- Body：{ current_case, comparison_case_ids, analysis_dimensions: ['cost','timeline','treatment','outcome'] }
- 返回：{ success, comparison_result }，前端渲染费用统计分位、风险因素、建议清单等
趋势分析
- GET /api/v1/historical-analysis/trends?injury_type=&period_months=&region_filter=
- 返回：{ success, trend_data }，用于绘制趋势与预测（变化率、方向、未来 3 个月预测等）
报告导出（历史分析）
- 统一走 POST /api/v1/reports/historical
- Body：
  - 相似检索：{ analysis_type: 'similar_cases', analysis_data: { query, results, summary }, export_format: 'pdf' }
  - 详细对比：{ analysis_type: 'detailed_comparison', analysis_data: { comparison, selected_cases }, export_format: 'pdf' }
  - 趋势分析：{ analysis_type: 'trend_analysis', analysis_data: { trend, query }, export_format: 'pdf' }
- 返回：{ success, filename, report_url }，创建 <a> 进行下载
其他说明
- Axios 实例 src/api/index.js 将 baseURL 设为 /api/v1，通过 vite 代理转发；部分导出接口直接使用 fetch('/api/v1/...')
- 视图内包含基础输入校验、加载态与错误提示；无状态依赖后端会返回 detail/error 字段

主要能力与接口

核心 REST 接口（节选）：

估损预测：POST /api/v1/estimate
案件记录：GET /api/v1/cases、POST /api/v1/cases/{id}/feedback
批量估损：POST /api/v1/batch-estimate（同步）、POST /api/v1/batch-estimate-async（异步）
任务管理：GET /api/v1/task-status/{taskId}、DELETE /api/v1/task/{taskId}
历史分析：相似案例、详细对比、趋势配置（多条接口）
报表导出：估损/历史/批量报告生成与模板下载（批量优先使用 results_token 进行导出）
健康检查：/health、/ready；监控指标：/metrics

建议参考 tests/test_api.py 获取端到端示例。

估损预测返回的 SHAP 数值解释（Top-15）

字段：response.shap_explanation.beeswarm 为长度 15 的数组，每项：
- feature: string，特征名（回退模式下可能为“成本/责任相关”的合成特征名）；
- values: number[]，训练数据上的 SHAP 值分布（用于蜂群图散点）或启发式分布；
- sample_value: number，当前样本的该特征 SHAP 值（菱形标注）。
颜色：x<0 蓝色，x>=0 红色；x 轴单位为 SHAP 值。
约束：无论真实/回退，严格 15 项，便于前端固定渲染。

历史分析接口契约（简要）

以下为核心历史分析接口的请求/响应字段示例（仅示意，字段可能随版本演进细化）。

相似案件检索

方法与路径：POST /api/v1/historical-analysis/similar-cases
请求示例：

{
  "current_case": {
    "clinical_diagnosis": "右胫骨骨折",
    "injured_part2": "右腿",
    "treat_way": "手术治疗",
    "fee_yiliao": 35000,
    "certi_code": "110101199001010001"
  },
  "similarity_threshold": 0.6,
  "max_results": 10,
  "date_range_months": 12
}

端到端前端交互时序图

sequenceDiagram
  autonumber
  participant U as User
  participant F as Frontend (Vue)
  participant A as API (FastAPI)
  participant S as ModelSelector
  participant P as Predictor (ML)
  participant E as AlertService
  participant D as DB (MySQL)
  participant C as Celery
  participant R as Redis
  participant M as Prometheus

  rect rgb(245, 247, 250)
  note over U,F: 单笔估损 – EstimateView
  U->>F: 填写表单并提交
  F->>A: POST /api/v1/estimate (InjuryCaseInput)
  A->>S: select_model_for_case(case)
  S-->>A: model_config
  A->>P: predict_single_case(processed_features)
  P-->>A: base_prediction/threshold
  A->>E: enhanced_alert_analysis(case, result)
  E-->>A: alert_profile
  A->>D: save_case(summary)
  A-->>F: InjuryEstimateResponse
  A-->>M: /metrics 记录请求/耗时/自定义计数
  end

  rect rgb(245, 247, 250)
  note over U,F: 批量处理 – BatchProcessView
  U->>F: 上传 Excel/CSV
  F->>A: POST /api/v1/batch-estimate (multipart)
  loop 对每条记录
    A->>A: 复用单笔估损流程
  end
  A-->>F: {results, results_token}
  U->>F: 导出结果
  F->>A: POST /api/v1/reports/batch
  A-->>F: { filename, report_url }
  end

  rect rgb(245, 247, 250)
  note over U,F: 历史分析 – HistoricalAnalysisView
  U->>F: 相似检索/对比/趋势
  F->>A: POST /historical-analysis/similar-cases
  A-->>F: similar_cases
  F->>A: POST /historical-analysis/detailed-comparison
  A-->>F: comparison_result
  F->>A: GET /historical-analysis/trends
  A-->>F: trend_data
  U->>F: 导出历史分析报告
  F->>A: POST /reports/historical (analysis_type=...)
  A-->>F: { filename, report_url }
  end

  note over A,C,R: 异步批处理（可选）\nPOST /batch-estimate-async -> Celery 入队 -> 轮询 task-status

响应示例：

{
  "success": true,
  "similar_cases": [
    {
      "case_id": "HIST-20231015-000123",
      "similarity_score": 0.78,
      "matched_factors": ["injury_type", "treatment_method", "total_cost"],
      "case_summary": {
        "injury_type": "胫腓骨骨折",
        "treatment_method": "手术治疗",
        "total_cost": 42000,
        "created_date": "2023-10-15"
      }
    }
  ],
  "search_summary": { "total_searched": 15432 }
}

详细对比分析

方法与路径：POST /api/v1/historical-analysis/detailed-comparison
请求示例：

{
  "current_case": { "clinical_diagnosis": "右胫骨骨折", "treat_way": "手术治疗" },
  "comparison_case_ids": ["HIST-20231015-000123", "HIST-20220908-000045"],
  "analysis_dimensions": ["cost", "timeline", "treatment", "outcome"]
}

响应示例（节选）：

{
  "success": true,
  "comparison_result": {
    "cost_analysis": {
      "cost_statistics": {
        "medical_fee": { "average": 32000, "median": 30000, "percentile_75": 36000, "percentile_90": 42000 }
      }
    },
    "risk_assessment": {
      "overall_risk_level": "中",
      "risk_factors": [
        { "factor": "手术耗材占比", "severity": "中", "description": "高于均值 15%", "current_value": 0.35, "reference_value": 0.30 }
      ]
    },
    "recommendations": [
      { "type": "费用优化", "priority": "高", "suggestion": "复核术后耗材清单", "reasoning": "显著高于对照组" }
    ]
  }
}

趋势分析

方法与路径：GET /api/v1/historical-analysis/trends
请求参数：injury_type、period_months、region_filter
响应示例（节选）：

{
  "success": true,
  "trend_data": {
    "cost_trends": { "trend_direction": "increasing", "change_rate": 0.12, "analysis_period": "2024-11~2025-10" },
    "prediction": { "next_3_months": [38000, 39500, 40500], "confidence_level": 0.82, "recommendation": "关注术后康复费用增长" }
  }
}

本地运行（Docker Compose）

使用项目根目录下 docker-compose.yml 一键启动：

# Windows PowerShell
cd human-injury-estimator
docker compose up -d --build

前端：浏览器访问 http://localhost:8080
后端：Swagger 文档 http://localhost:8000/docs
Prometheus： http://localhost:9090
Grafana： http://localhost:3000 （默认密码 admin / admin123）
Flower（可选）： http://localhost:5555

停止与清理：

docker compose down -v

监控与可观测性

应用内指标：
- prometheus_client 业务指标（请求数、耗时、模型预测计数等）
- prometheus_fastapi_instrumentator 自动采集 HTTP 指标
外部监控：
- Prometheus 抓取 /metrics；规则见 monitoring/prometheus.yml、monitoring/alert_rules.yml
- Grafana 自动加载数据源/看板（monitoring/grafana/provisioning）
- Node Exporter 提供主机级指标；Alertmanager 负责告警收敛

附注（Nginx 状态采集）：

前端容器内的 nginx.conf 已暴露 GET /nginx_status（stub_status），monitoring/prometheus.yml 中 frontend job 使用 metrics_path: /nginx_status；由于输出为 Nginx 基础状态文本，若需要标准 Prometheus Nginx 指标，建议部署 nginx-prometheus-exporter 并改为抓取 exporter 的 /metrics。

附注（MySQL 监控）：

建议引入 mysqld_exporter 将数据库指标暴露到 Prometheus（连接、QPS、缓冲命中率、慢查询等），并在 Grafana 增加 MySQL 看板与告警规则。

附注（严格模式）：不再提供模拟降级路径。若模型加载失败，应通过 /ready 就绪探针与日志/告警快速定位处理；原 prediction_fallback_total 指标若保留，其值应恒为 0。

目录结构（关键路径）

human-injury-estimator/
├─ backend/
│  ├─ main.py                      # FastAPI 路由 & 指标
│  ├─ services/                    # 估损业务编排（核心在 core.py）
│  ├─ models/                      # Pydantic 输入/输出模型
│  ├─ ml/
│  │   ├─ full_pipeline_gan.py     # GAN 全流程管线（权重/预处理/推理）
│  │   └─ gan_predictor.py         # 服务层适配器（封装校验与错误处理）
│  ├─ historical/                  # 历史分析服务
│  ├─ reports/                     # 报告导出服务
│  ├─ alerts/                      # 批量预警分析
│  ├─ data_access/                 # MySQL/SQLAlchemy、Repository 封装
│  ├─ tasks/                       # Celery 应用与任务
│  ├─ utils/                       # 工具与存储封装
│  ├─ model_selector.py            # 智能模型选择（阈值倍数/风险/置信度）
│  ├─ predict_model.py             # 真实模型及数据预处理（历史保留/可迁移）
│  ├─ full_pipeline_shap.py        # SHAP 数值解释与 Top-15 蜂群图
│  ├─ models_db.py                 # SQLAlchemy ORM 模型定义（Case 等）
│  └─ model_assets/                # 模型权重/统计数据
├─ frontend-vue/                   # Vue3 + Element Plus 前端
├─ monitoring/                     # Prometheus/Grafana/Alertmanager 配置
├─ docker-compose.yml              # 一键编排：前后端/Redis/Celery/监控
└─ tests/                          # API 与性能测试

开发与测试

本地开发：
- 后端：backend/requirements.txt 安装后运行 uvicorn backend.main:app --reload
- 前端：cd frontend-vue && npm i && npm run dev
单元/集成测试：
- pytest -q（见 tests/test_api.py）
- 已增加断言 shap_explanation.beeswarm 结构与长度 15 的校验。
性能压测：
- locust -f tests/locustfile.py（浏览器打开 8089 配置目标地址）

常见问题（FAQ）

Q: 真实模型不可用是否影响服务？
- A: 严格模式下会返回明确错误（5xx）。请检查 backend/model_assets/ 是否齐全，并通过 /ready 与日志/告警确认模型加载状态。为避免误导决策，当前版本不再提供模拟回退。
Q: 阈值与风险等级如何确定？
- A: 阈值由模型输出与“智能模型配置”叠加得到；风险等级依据超阈比等多因素确定，采用四级分级（green/yellow/orange/red），并暴露 exceed_ratio。
Q: 指标出口在哪里？
- A: 统一在 /metrics 暴露，Prometheus 按配置周期抓取。

如需进一步了解设计与演进，请查看：

系统需求与范围

1. 功能需求

单笔估损：根据案件输入生成动态阈值、预测金额、风险等级、增强预警；
批量估损：支持上传 CSV/Excel（≥1000 条记录），同步与异步两种模式，生成批量统计与可导出报告；
历史分析：

相似案例检索：按伤情、治疗、费用聚类/向量特征匹配；
详细对比：多维度费用结构差异、风险因子解释、建议输出；
趋势分析：费用与治疗方式演变、未来短期预测；

报告导出：估损单、批量结果、历史分析报告（PDF/Excel），包含图表与摘要；
反馈记录：允许对预测结果进行人工反馈（提升数据闭环后续迭代）；
监控与告警：系统健康（CPU/内存/请求耗时）、业务指标（预测次数、超阈案例比、模型降级次数）。

2. 非功能需求

性能：单笔估损 P95 < 800ms（真实模型加载后）；批量 1000 条同步 < 120s 或建议异步；
可用性（严格模式）：模型加载失败将返回错误；通过 /ready 与监控保障快速恢复；
可观察性：至少暴露请求数、时延、预测成功/失败、降级次数、批量任务进度；
扩展性：模型选择逻辑模块化，可添加新伤情层级与地区经济参数；
安全性：后续可集成鉴权（JWT / OAuth2），日志不输出敏感证件号；
追溯性：持久化关键输入、输出、阈值参数与风险因子，支持审计。

3. 输入数据范围（核心字段）

基础身份：证件号（解析地区用于经济水平分层）、性别、年龄（可扩展）；
伤情与治疗：临床诊断、受伤部位、治疗方式、伤情等级（轻/中/重/术后）、康复措施；
费用项：医疗、护理、营养、误工（单价+天数）、后续治疗预估、精神抚慰金、其他附加费用；
案件属性：责任系数、是否涉及残疾评定（可扩展）、地区类别（城镇/农村）。

4. 输出数据范围

预测金额（predicted_amount）、最终阈值（final_threshold）、是否超阈（is_above_threshold）、超阈比例（exceed_ratio）；
风险等级（risk_level：green/yellow/orange/red）、置信度（confidence）、风险因子列表（risk_factors）；
增强预警画像：复杂度标签、地区经济等级、建议动作列表；
费用分解：各项费用原值与加总、可优化项提示；
历史分析：相似案例摘要（相似度、关键差异）、对比统计分位、趋势方向与变化率、预测未来窗口值；
报告元数据：文件名、下载地址、生成时间、包含图表标记。

5. 模型与算法需求（迭代基线）

模型选择：按伤情等级、总费用区间、复杂度指标（治疗方式、费用结构占比）、地区经济水平综合打分；
预测模型：初期使用静态保存的 TensorFlow / Sklearn 模型；后续支持多模型集成（加权或 stacking）与在线更新；
相似检索：可扩展为 embedding（诊断文本 + 特征向量）+ Ann 索引（当前简化为规则+统计）；
趋势分析：费用时间序列基础上（季节性/异常点）进行简易回归或指数平滑预测；
风险因子：对超阈比、费用结构异常（如某费用异常占比高）、治疗路径偏差、地区经济对比进行加权评分。

6. 监控指标规划（示例）

指标	类型	说明
prediction_requests_total	Counter	估损请求次数
prediction_latency_seconds	Histogram	单笔估损耗时分布
prediction_fallback_total	Counter	触发模拟降级次数（严格模式下应恒为 0，或可替换为 `model_load_failures_total`）
batch_jobs_total	Counter	批量任务提交次数
batch_job_duration_seconds	Histogram	批量任务处理耗时
historical_queries_total	Counter	历史分析查询次数（相似+对比+趋势）
above_threshold_cases_total	Counter	超阈案例次数
alert_high_risk_total	Counter	高风险预警产生次数

7. 异常与错误模式

输入校验失败：返回 4xx + detail；
模型加载失败：记录日志 + 增量计数（prediction_fallback_total）使用模拟逻辑；
批量文件解析错误：返回部分成功 + 错误行列表（后续迭代可添加）；
趋势分析数据不足：返回 trend_direction = insufficient_data 并附加建议；
导出报告失败：返回 error 字段并建议重试（前端使用重试封装再次尝试）。

8. 未来演进建议（Roadmap 补充）

模型层：引入轻量向量检索（Faiss / Milvus）完善相似检索准确度；
数据层：接入真实理赔流水与外部医疗费用基准数据；
决策层：引入规则引擎（Drools / custom DSL）组合模型结果与审核策略；
质量治理：增加预测偏差自动回收与再训练流程（模型漂移监测）；
安全合规：脱敏策略、访问审计日志、角色权限；
UI 体验：实时进度 WebSocket、可编辑费用结构对比调整建议场景。

9. 当前范围界限（Out of Scope）

不包含支付理赔流程（仅估损与分析）；
不包含 OCR/图像识别（费用票据解析）；
不包含自动残疾等级评定算法（可后续扩展）；
不包含实时流式处理（Kafka 等），当前以批/请求驱动。

10. 成功度量（KPIs 初稿）

平均预测误差（与人工后核对比）下降 ≥ 15%；
高风险案件提前识别率 ≥ 85%；
批量处理人工耗时缩短 ≥ 40%；
估损服务可用性（含降级）≥ 99%；
模型降级触发次数逐步下降（上线真实模型后 < 2% 请求）。

Name		Name	Last commit message	Last commit date
Latest commit History 2 Commits
backend		backend
deploy		deploy
docs		docs
frontend-vue		frontend-vue
monitoring		monitoring
.env.example		.env.example
.gitignore		.gitignore
docker-compose.yml		docker-compose.yml

Folders and files

Latest commit

History

Repository files navigation

紫金财险 · 智能人伤自核引擎（Human Injury Estimator)

目录

项目简介

最新变更摘要（2025-11-11）

当前状态速览

技术栈

系统架构概览

端到端数据流（从输入 → 模型调用 → 处理 → 分析 → 输出）

前端视图数据流（批量与历史分析）

主要能力与接口

估损预测返回的 SHAP 数值解释（Top-15）

历史分析接口契约（简要）

端到端前端交互时序图

本地运行（Docker Compose）

监控与可观测性

目录结构（关键路径）

开发与测试

常见问题（FAQ）

系统需求与范围

1. 功能需求

2. 非功能需求

3. 输入数据范围（核心字段）

4. 输出数据范围

5. 模型与算法需求（迭代基线）

6. 监控指标规划（示例）

7. 异常与错误模式

8. 未来演进建议（Roadmap 补充）

9. 当前范围界限（Out of Scope）

10. 成功度量（KPIs 初稿）

About

Resources

Uh oh!

Stars

Watchers

Forks

Releases

Packages 0

Uh oh!

Contributors

Uh oh!

Languages

Packages