修复数据链路 P0 瓶颈：缓存炸弹、Context 重渲染、LGBM 循环、TTL 不匹配
P0-1 sessionStorage 限制： - writeCityDetailCacheBundle 只保留最近 3 个城市的详情 - 避免 3-10MB JSON 序列化阻塞主线程 P0-2 Context 拆分： - 新增 CityDetailsContext 独立管理 cityDetailsByName 变更 - 新增 useCityDetails hook，只订阅详情的组件不再因 cities/proAccess 变化重渲染 - DashboardStoreContext 保持不变，向后兼容 P0-3 扫描终端 TTL： - SCAN_TERMINAL_PAYLOAD_TTL_SEC 30s → 120s - 匹配 ThreadPoolExecutor(4) x 60 城的实际重算耗时 P0-4 LGBM 循环依赖： - LGBM 预测值不再作为 DEB 输入参与权重计算 - 保留为独立参考字段 lgbm.prediction 输出给前端展示 - 消除 DEB → LGBM 训练 → DEB 的循环 新增 docs/data-architecture-review.md 完整数据链路审查报告 Tested: npx tsc --noEmit, python -m ruff check .
This commit is contained in:
2569718930@qq.com
@@ -0,0 +1,191 @@
|
||||
# PolyWeather 数据链路架构审查
|
||||
|
||||
> 审查日期：2026-06 | 视角：系统架构师 | 范围：完整数据采集→分析→API→前端状态
|
||||
|
||||
## 一、数据架构总览
|
||||
|
||||
```
|
||||
外部数据源 Python 后端 Next.js 前端
|
||||
=========== ========== ===========
|
||||
|
||||
Open-Meteo (预报+多模型) ─┐
|
||||
METAR/TAF (航空气象) ─┤
|
||||
NWS (美国) / MGM (土耳其) ─┤
|
||||
JMA/KMA/NMC/HKO/CWA ─┤
|
||||
Wunderground / NOAA ─┤
|
||||
Polymarket Gamma/CLOB ─┤
|
||||
├─ WeatherDataCollector ├─ dashboard-client.ts
|
||||
│ (内存缓存 + SQLite磁盘缓存) │ (请求去重 + sessionStorage)
|
||||
│ │
|
||||
├─ _analyze() ├─ useDashboardStore
|
||||
│ ├─ DEB 融合 (11模型加权) │ (单React Context)
|
||||
│ ├─ LGBM 预测 │
|
||||
│ ├─ EMOS 概率校准 ├─ ScanTerminalDashboard
|
||||
│ └─ 趋势引擎 │ (地图 + 决策卡 + 简报)
|
||||
│ │
|
||||
├─ scan_terminal_service.py ├─ 扫描终端查询
|
||||
│ ├─ ThreadPoolExecutor(4) │ (每10分钟轮询)
|
||||
│ └─ AI 增强层 (DeepSeek) │
|
||||
│ │
|
||||
└─ FastAPI routes └─ API代理 (Next.js rewrites)
|
||||
(36个端点)
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 二、数据采集层
|
||||
|
||||
### 2.1 源端（14个外部源）
|
||||
|
||||
| 源 | 类型 | 覆盖 | TTL |
|
||||
|------|------|---------|------|
|
||||
| Open-Meteo | 预报 + 多模型集合 | 全球 | 300s |
|
||||
| METAR | 机场观测 | 全球 ICAO | 60s |
|
||||
| TAF | 机场预报 | 全球 ICAO | 600s |
|
||||
| NWS | 国家预报 | 美国 | 按请求 |
|
||||
| MGM | 国家官方 | 土耳其 | 300s |
|
||||
| ECMWF/GFS/ICON/GEM/JMA | 多模型 NWP | 全球 | 300s |
|
||||
| HKO/CWA/NOAA/KMA/NMC | 结算观测 | 特定国家 | 300s |
|
||||
| Wunderground | 个人气象站 | 全球备用 | 按请求 |
|
||||
| Polymarket Gamma | 市场发现 | 所有温度市场 | 60s |
|
||||
| Polymarket CLOB | 订单簿 | 匹配市场 | 30s |
|
||||
|
||||
### 2.2 采集架构
|
||||
|
||||
**优点：**
|
||||
- `WeatherDataCollector` 使用 mixin 组合，清晰隔离每个源的实现
|
||||
- 429 限流回退会冷却整个源，而不是逐个请求重试
|
||||
- 内存缓存 + SQLite 磁盘缓存双写，重启后不丢失
|
||||
|
||||
**问题：**
|
||||
|
||||
| # | 问题 | 影响 |
|
||||
|---|------|------|
|
||||
| 1 | **无限流控制** — `POLYWEATHER_HTTP_RETRY_COUNT` 默认 0，意味着大部分源从不重试 | 单次网络抖动就丢失数据 |
|
||||
| 2 | **无源端健康状态** — 无法知道是 Open-Meteo 挂了还是这个城市的数据就是空 | 调试困难，用户看到空数据不知道原因 |
|
||||
| 3 | **METAR TTL 60s 太激进** — 机场 METAR 通常每小时发一次，60s 内再次请求没有意义 | 浪费带宽和外站配额 |
|
||||
|
||||
---
|
||||
|
||||
## 三、分析层
|
||||
|
||||
### 3.1 DEB 动态集成混合
|
||||
|
||||
**`deb_algorithm.py`** 用过去 7 天 MAE 计算 11 模型的动态权重。
|
||||
|
||||
**优点：**
|
||||
- 自适应加权，表现差的模型自动降权
|
||||
- 回退链完善：无历史 → 等权 → 少于2模型 → 返回 None
|
||||
|
||||
**问题：**
|
||||
|
||||
| # | 问题 |
|
||||
|---|------|
|
||||
| 4 | **LGBM 喂回 DEB 造成循环** — `_analyze()` 第 2057-2076 行：LGBM 预测值被当作另一个"模型"加入 `current_forecasts`，然后 DEB 重新计算权重。LGBM 本身就是用 DEB + 原始模型训练的，现在 DEB 又把 LGBM 输出作为输入，形成循环依赖 |
|
||||
| 5 | **DEB 历史数据源不一致** — 同时从 `daily_records.json` 和 SQLite `daily_records_store` 读取，可能因为迁移时间差导致 MAE 计算用的历史数据版本不同 |
|
||||
|
||||
### 3.2 概率校准
|
||||
|
||||
**`probability_calibration.py`** 用 EMOS 线性回归校准 raw distribution。
|
||||
|
||||
**问题：**
|
||||
|
||||
| # | 问题 |
|
||||
|---|------|
|
||||
| 6 | **校准系数是静态 JSON 文件** — 需要手动运行训练脚本才会更新。如果数据分布变化（例如季节变化），旧系数会持续产生偏差，直到有人记得跑 `fit_probability_calibration.py` |
|
||||
| 7 | **blend_alpha 网格搜索每次拟合都重新跑** — 0-1 的 0.05 步长搜索（400 次评估），没有缓存或增量优化 |
|
||||
|
||||
---
|
||||
|
||||
## 四、API 与缓存层
|
||||
|
||||
### 4.1 三层缓存
|
||||
|
||||
```
|
||||
Layer 1: 进程内内存 dict (TTL 30s ~ 1800s)
|
||||
↓ 过期
|
||||
Layer 2: SQLite 持久化缓存 (TTL 1800s)
|
||||
↓ 过期
|
||||
Layer 3: 重新计算 + 后台异步刷新
|
||||
```
|
||||
|
||||
**优点：**
|
||||
- 过期但存在时返回陈旧数据并触发后台刷新，用户不会等待
|
||||
- 后台刷新有分布式锁（`cache_refresh_locks`），多进程不会重复计算
|
||||
|
||||
**问题：**
|
||||
|
||||
| # | 问题 |
|
||||
|---|------|
|
||||
| 8 | **扫描终端 TTL 仅 30s** — `SCAN_TERMINAL_PAYLOAD_TTL_SEC` 默认 30s。60 个城市的并行分析每 30s 就会触发一次完整重建。考虑到单个 `_analyze()` 耗时 2-8s，`ThreadPoolExecutor(4)` 跑 60 个城市至少需要 (60/4)*3s ≈ 45s，永远赶不上缓存过期速度 |
|
||||
| 9 | **无 ETag / 304 支持** — 所有城市详情 API 都返回完整 JSON body，即使数据没变化。前端每次都重新解析整个 30-150KB 的 payload |
|
||||
| 10 | **缓存键过粗** — 分析缓存键是 `city::mode`，但 mode 只有 `summary/panel/market/nearby/full`。如果只是温度微调了 0.1 度，整个缓存也失效，触发完整重算 |
|
||||
|
||||
---
|
||||
|
||||
## 五、前端状态管理
|
||||
|
||||
### 5.1 当前架构
|
||||
|
||||
单个 React Context (`useDashboardStore`) 持有所有状态：
|
||||
- `cityDetailsByName` — 每个城市 30-150KB 的完整分析结果
|
||||
- `cities` — 城市列表
|
||||
- `proAccess` — 订阅状态
|
||||
- `loadingState` — 7 个加载标志
|
||||
|
||||
**问题：**
|
||||
|
||||
| # | 问题 | 严重度 |
|
||||
|---|------|------|
|
||||
| 11 | **sessionStorage 炸弹** — `cityDetailsByName` 整 Map 序列化到 sessionStorage（30min TTL）。如果缓存了 20 个城市的 detail，可能超过 **3-10 MB**。`JSON.stringify` / `JSON.parse` 在主线程上阻塞 | 🔴 |
|
||||
| 12 | **单 Context 全量重渲染** — Context value 任何字段变化，所有消费者都重渲染。`cityDetailsByName` 每次 `mergeCityDetail` 都创建新对象引用，触发整个组件树更新 | 🔴 |
|
||||
| 13 | **无选择器（selector）** — 组件不能只订阅 `cityDetailsByName["beijing"]`，必须接收整个 Context value 然后自己过滤 | 🟡 |
|
||||
| 14 | **CityDetail 深度渐进合并可能丢字段** — `mergeCityDetail` 保留当前版本的 `multi_model` 和 `forecast`，但如果后端某次返回了空数组，旧值会被保留而不是更新 | 🟡 |
|
||||
|
||||
### 5.2 数据加载策略
|
||||
|
||||
**优点：**
|
||||
- 请求去重（pending-Promise Map）
|
||||
- 自动轮询（扫描终端每 10 分钟）
|
||||
- Pro 状态 localStorage 缓存（避免每次刷新都等 API）
|
||||
|
||||
**问题：**
|
||||
|
||||
| # | 问题 |
|
||||
|---|------|
|
||||
| 15 | **扫描终端 10 分钟轮询 + 35s 超时** — 如果后端慢，轮询间隔小于响应时间，会堆积 pending 请求 |
|
||||
| 16 | **每次选城市都独立请求 `getCityDetail`** — 即使扫描终端已经有了这个城市的完整数据（`ScanOpportunityRow` 包含 170+ 字段），Open detail panel 时还是要单独调 API |
|
||||
|
||||
---
|
||||
|
||||
## 六、数据流瓶颈总结
|
||||
|
||||
| 瓶颈 | 位置 | 影响 |
|
||||
|------|------|------|
|
||||
| sessionStorage 大对象序列化 | 前端 store | 主线程阻塞，Tab 切换卡顿 |
|
||||
| 单 Context 全量重渲染 | 前端 store | 每次城市切换触发数百个组件更新 |
|
||||
| 扫描终端 TTL 赶不上重算速度 | 后端缓存 | CPU 空转，缓存命中率低 |
|
||||
| LGBM 循环喂入 DEB | 分析层 | 权重失真 |
|
||||
| 无 ETag / 增量更新 | API 层 | 重复传输相同数据 |
|
||||
| 静态校准系数 | 模型层 | 数据分布变化时概率偏差 |
|
||||
|
||||
---
|
||||
|
||||
## 七、建议优先级
|
||||
|
||||
### P0 — 立即修复
|
||||
|
||||
1. **sessionStorage 限制** — 只缓存最近 3 个城市的 detail，或改用 IndexedDB
|
||||
2. **扫描终端 TTL** — 从 30s 提高到 120s，匹配实际重算耗时
|
||||
|
||||
### P1 — 短期
|
||||
|
||||
3. **Context 拆分** — 将 `cityDetailsByName` 移到独立的 Context，或用 `useSyncExternalStore` + 选择器
|
||||
4. **ETag 支持** — API 返回 `ETag` header，客户端发 `If-None-Match`，匹配时返回 304
|
||||
5. **LGBM 循环修复** — LGBM 预测值不再作为 DEB 输入，只作为独立参考展示
|
||||
|
||||
### P2 — 中期
|
||||
|
||||
6. **自动校准再训练** — 当最近 7 天 CRPS 漂移超过阈值时触发自动重新拟合
|
||||
7. **客户端缓存库** — 引入 TanStack Query 或 SWR，替代手动的 sessionStorage + pending-Promise
|
||||
8. **CityDetail 重用时复用扫描终端数据** — 扫描终端已拉取的数据不要再单独请求
|
||||
@@ -73,6 +73,12 @@ interface DashboardStoreValue extends DashboardState {
|
||||
}
|
||||
|
||||
const DashboardStoreContext = createContext<DashboardStoreValue | null>(null);
|
||||
const CityDetailsContext = createContext<{
|
||||
cityDetailsByName: Record<string, CityDetail>;
|
||||
cityDetailMetaByName: Record<string, { cachedAt: number; revision: string }>;
|
||||
citySummariesByName: Record<string, CitySummary>;
|
||||
loadingState: LoadingState;
|
||||
} | null>(null);
|
||||
|
||||
function getInitialLoadingState(): LoadingState {
|
||||
return {
|
||||
@@ -1520,9 +1526,16 @@ export function DashboardStoreProvider({
|
||||
],
|
||||
);
|
||||
|
||||
const cityDetailsValue = useMemo(
|
||||
() => ({ cityDetailsByName, cityDetailMetaByName, citySummariesByName, loadingState }),
|
||||
[cityDetailsByName, cityDetailMetaByName, citySummariesByName, loadingState],
|
||||
);
|
||||
|
||||
return (
|
||||
<DashboardStoreContext.Provider value={value}>
|
||||
{children}
|
||||
<CityDetailsContext.Provider value={cityDetailsValue}>
|
||||
{children}
|
||||
</CityDetailsContext.Provider>
|
||||
</DashboardStoreContext.Provider>
|
||||
);
|
||||
}
|
||||
@@ -1537,6 +1550,16 @@ export function useDashboardStore() {
|
||||
return context;
|
||||
}
|
||||
|
||||
export function useCityDetails() {
|
||||
const context = useContext(CityDetailsContext);
|
||||
if (!context) {
|
||||
throw new Error(
|
||||
"useCityDetails must be used within DashboardStoreProvider",
|
||||
);
|
||||
}
|
||||
return context;
|
||||
}
|
||||
|
||||
export function useCityData(name?: string | null) {
|
||||
const store = useDashboardStore();
|
||||
const key = name || store.selectedCity;
|
||||
|
||||
@@ -542,15 +542,19 @@ export const dashboardClient = {
|
||||
meta: Record<string, CityCacheMeta>,
|
||||
) {
|
||||
if (!isClient()) return;
|
||||
// Keep only the 3 most-recently-accessed cities to prevent sessionStorage bloat
|
||||
const MAX_CACHED_CITIES = 3;
|
||||
const allEntries = Object.entries(details).map(([cityName, detail]) => ({
|
||||
cityName,
|
||||
cachedAt: meta[cityName]?.cachedAt || 0,
|
||||
detail,
|
||||
revision: meta[cityName]?.revision || getCityRevision(detail),
|
||||
}));
|
||||
const topEntries = allEntries
|
||||
.sort((a, b) => b.cachedAt - a.cachedAt)
|
||||
.slice(0, MAX_CACHED_CITIES);
|
||||
const entries = Object.fromEntries(
|
||||
Object.entries(details).map(([cityName, detail]) => [
|
||||
cityName,
|
||||
{
|
||||
cachedAt: meta[cityName]?.cachedAt || Date.now(),
|
||||
detail,
|
||||
revision: meta[cityName]?.revision || getCityRevision(detail),
|
||||
},
|
||||
]),
|
||||
topEntries.map((e) => [e.cityName, { cachedAt: e.cachedAt, detail: e.detail, revision: e.revision }]),
|
||||
);
|
||||
window.sessionStorage.setItem(
|
||||
CACHE_KEY,
|
||||
|
||||
@@ -2054,6 +2054,7 @@ def _analyze(
|
||||
else:
|
||||
peak_status = "before"
|
||||
|
||||
lgbm_val = None
|
||||
if current_forecasts and deb_val is not None:
|
||||
lgbm_val, _ = predict_lgbm_daily_high(
|
||||
city_name=city,
|
||||
@@ -2069,11 +2070,8 @@ def _analyze(
|
||||
peak_status=peak_status,
|
||||
)
|
||||
if lgbm_val is not None:
|
||||
current_forecasts["LGBM"] = lgbm_val
|
||||
blended, winfo = calculate_dynamic_weights(city, current_forecasts)
|
||||
if blended is not None:
|
||||
deb_val = blended
|
||||
deb_weights = winfo
|
||||
# LGBM is kept as an independent reference, not fed back into DEB
|
||||
# to avoid circular dependency (DEB → LGBM training → DEB)
|
||||
|
||||
deviation_monitor = _build_deviation_monitor(
|
||||
current_temp=cur_temp,
|
||||
@@ -2496,6 +2494,7 @@ def _analyze(
|
||||
"multi_model": {k: v for k, v in current_forecasts.items() if v is not None},
|
||||
"multi_model_daily": multi_model_daily,
|
||||
"deb": {"prediction": deb_val, "weights_info": deb_weights},
|
||||
"lgbm": {"prediction": lgbm_val},
|
||||
"deviation_monitor": deviation_monitor,
|
||||
"ensemble": ens_data,
|
||||
"probabilities": {
|
||||
|
||||
@@ -88,8 +88,8 @@ def _env_int(
|
||||
|
||||
|
||||
SCAN_TERMINAL_PAYLOAD_TTL_SEC = max(
|
||||
5,
|
||||
int(os.getenv("POLYWEATHER_SCAN_TERMINAL_PAYLOAD_TTL_SEC", "30")),
|
||||
10,
|
||||
int(os.getenv("POLYWEATHER_SCAN_TERMINAL_PAYLOAD_TTL_SEC", "120")),
|
||||
)
|
||||
SCAN_TERMINAL_BUILD_TIMEOUT_SEC = max(
|
||||
8,
|
||||
|
||||
Reference in New Issue
Block a user