update readme

task1/README.md

@@ -672,8 +672,34 @@ python task1/09_visualize.py
 2. **数据收集**：记录"被拒服务人数"以更准确估计需求
 3. **动态调整**：季度末复盘，调整下季度排程
 
-### 11.3 有效性-公平性权衡
+---
 
-推荐方案牺牲公平性换取服务量最大化。若FBST优先考虑公平：
-- 可设置 $k_i$ 上下限约束
-- 或使用混合目标函数 $\max (E_2 - \lambda \cdot F_1)$
+## 12. 论文展示数据表 (Task 1 Results)
+
+为了在论文中展示模型 1 的核心成果，以下整理了关键的评估数据表。
+
+### 表 1: 不同分配方案的性能对比 (有效性与公平性)
+| 分配方案 | 总服务量 (E1) | 质量加权服务量 (E2) | 满足率 Gini 系数 (F1) ↓ | 最低满足率 (F2) ↑ |
+| :--- | :---: | :---: | :---: | :---: |
+| **推荐方案 (μ̃ Proportional)** | **140,121** | **131,673** | 0.314 | 2.00 |
+| 基线 1: 均匀分配 (Uniform) | 104,797 | 101,309 | **0.026** | **8.41** |
+| 基线 2: 2019 历史缩放 (Scaled) | 104,071 | 100,264 | 0.092 | 5.00 |
+| 基线 3: 原始需求比例 (Raw μ) | 139,487 | 131,462 | 0.315 | 2.00 |
+
+### 表 2: 关键高需求站点的截断回归修正结果
+| 站点名称 (Site Name) | 观测均值 (μ) | 截断概率 ($P_{trunc}$) | 修正后需求 ($\tilde{\mu}$) | 修正幅度 |
+| :--- | :---: | :---: | :---: | :---: |
+| MFP Waverly | 396.6 | 47.4% | 471.9 | +19.0% |
+| MFP Avoca | 314.6 | 6.8% | 323.2 | +2.7% |
+| MFP College TC3 | 261.5 | 6.6% | 268.4 | +2.6% |
+| MFP Endwell | 285.2 | 3.0% | 288.6 | +1.2% |
+| MFP Redeemer | 230.6 | 3.5% | 233.8 | +1.4% |
+
+### 表 3: 方案排程约束验证与稳健性
+| 评估维度 | 指标名称 | 计算结果 / 状态 | 预期目标 |
+| :--- | :--- | :--- | :--- |
+| **资源约束** | 年度总访问次数 ($\sum k_i$) | 730 | 730 |
+| **覆盖约束** | 最小访问频次 ($\min k_i$) | 2 | $\ge 1$ |
+| **排程约束** | 每日派车车次 | 2 | 2 |
+| **一致性** | 频次与需求相关性 ($r_{k, \tilde{\mu}}$) | **0.9996** | $\to 1.0$ |
+| **稳健性** | 参数 $C$ 波动对 E1 的影响 | < 1.3% | 保持稳定 |