深度学习赋能教育环境中粉尘与污染气溶胶的三维重建与轨迹预测：提升室内空气质量管理的创新解决方案

本综述提出了一种融合深度学习的混合欧拉-拉格朗日计算模型（SHAT），通过物理信息神经网络（PINN）和自适应网格细化（AMR）技术，显著提升了教育环境中气溶胶（如PM2.5、PM10）轨迹预测的精度与效率。该方法整合了随机亚网格校正（Stochastic Sub-grid Corrections）和降阶投影（Reduced-Order Projection），克服了传统数值模型在计算效率与物理准确性之间的权衡问题，为实时室内空气质量（IAQ）监测与健康风险干预提供了可扩展的解决方案。

　　

引言

教育环境中的粉尘和污染气溶胶准确重建与轨迹预测对评估空气质量和降低健康风险至关重要。传统气溶胶传输数值模型依赖欧拉或拉格朗日方法，常面临计算效率与物理准确性之间的权衡：欧拉模型难以解析小尺度湍流，而拉格朗日追踪方法在有效捕捉多尺度相互作用方面存在挑战。

方法

为应对这些局限性，本研究提出了一种深度学习驱动的方法，整合了混合欧拉-拉格朗日计算模型与机器学习增强优化。该方法采用高保真气溶胶传输模型，结合亚网格尺度效应的随机校正和动态气溶胶分布高效解析的自适应网格技术。引入数据驱动优化框架，利用物理信息神经网络（PINN）提升预测准确性，同时降低计算开销。

结果与讨论

实验验证表明，该方法在准确性和效率上均显著优于传统数值方法，非常适用于教育环境中的实时应用。本研究为理解和缓解室内空间气溶胶扩散提供了创新且可扩展的解决方案，有助于改善空气质量管理和公共健康保护。

相关研究进展

近期深度学习技术显著增强了对三维气溶胶分布的重建能力。传统方法常依赖逆建模技术，计算密集且难以有效捕捉复杂空间模式。为应对这些挑战，深度学习技术特别是卷积神经网络（CNN）被用于从观测数据中捕获复杂空间模式。例如，一项研究引入了条件可逆神经网络（cINN）框架，从多波长粉尘发射观测中重建三维粉尘密度和温度分布。cINN模型在合成数据上训练，这些数据由辐射传输模拟生成，使其能够预测目标粉尘特性的完整后验分布。该模型表现出高准确性，在log(n/m³)和log(T_past/K)上分别实现约1.8%和1%的中位数相对误差。这种方法凸显了深度学习在捕捉不同波长与气溶胶底层物理特性之间复杂相互作用方面的潜力。

另一方法采用深度特征高斯过程（DFGP）进行单场景气溶胶光学深度（AOD）重建。该方法结合深度表示学习与高斯过程，处理AOD数据中的空间相关性和不确定性。通过利用深度学习将变量转换为具有更好解释力的特征空间，DFGP在无法获得多时间观测的场景中有效重建AOD。真实数据集实验表明，DFGP优于传统方法，实现了更高的确定系数（R²）和更低的均方根误差（RMSE）。这些研究强调了深度学习模型在三维气溶胶重建中的有效性，提供了较传统方法更高的准确性和计算效率。学习复杂空间特征和处理不确定性的能力使深度学习成为推进不同环境中气溶胶分布理解的有前途工具。

预测粉尘和污染气溶胶的轨迹对评估环境影响和实施缓解策略至关重要。深度学习模型，特别是那些包含时间动态的模型，已被开发用于以更高准确性预测气溶胶运动。一个显著例子是长短期记忆（LSTM）网络在粉尘易发区域气溶胶光学深度（AOD）预测中的应用。LSTM网络擅长捕捉序列数据中的时间依赖性，使其适用于模拟气溶胶浓度的时间演化。在一项研究中，LSTM模型在历史AOD数据及气象变量上训练，以预测未来AOD水平。结果表明，基于LSTM的模型显著优于传统统计方法，提供了更准确及时的气溶胶浓度预测。

另一研究采用卷积神经网络（CNN）模型预测沙尘暴传输路径。该模型在AOD数据及地理上下文信息上训练，包括相对湿度、地表气温、风向和风速。CNN模型表现出高预测准确性，对未来24小时时间步长的总体准确值超过97%。这种方法凸显了CNN在捕捉影响气溶胶运动的各种环境因素之间空间模式和相互作用的潜力。

结合CNN和LSTM的混合模型已被探索以利用气溶胶轨迹预测中的空间和时间特征。这些模型旨在使用CNN捕捉气溶胶的空间分布，同时使用LSTM建模时间动态。此类架构在改善预测准确性方面显示出前景，特别是在涉及变化气象条件和排放源的复杂场景中。这些深度学习基于轨迹预测模型的进展为环境监测和决策提供了宝贵工具。通过准确预测粉尘和污染气溶胶的运动，这些模型可以为及时干预提供信息，以减轻不利的环境和健康影响。

物理信息神经网络（PINN）已成为通过将物理约束直接嵌入深度学习模型的损失函数中求解偏微分方程（PDE）的强大范式。开创性工作建立了将神经网络应用于由非线性PDE支配的前向和逆问题的基础框架，展示了它们在无标签数据情况下近似解的能力。近期研究进一步将PINN方法扩展到更复杂和领域特定问题。例如，将PINN应用于模拟气溶胶-云-降水相互作用，展示了它们在建模多尺度大气过程中的有效性。提供了科学机器学习方法的更广泛回顾，将PINN定位为可解释和可推广物理建模的关键推动者。回顾了PINN在流体力学中的应用，突出了诸如刚性方程、边界条件和训练稳定性等挑战，这些与我们的气溶胶传输上下文直接相关。

鉴于这些发展，我们的工作采用PINN在SHAT框架内强制执行物理一致的气溶胶轨迹建模。具体地，我们使用PINN捕捉潜在亚网格动态，将它们与欧拉和拉格朗日模块集成，并在训练期间启用网格感知正则化。这些物理信息组件的 incorporation 增强了数值稳定性和可解释性，弥合了数据驱动建模与物理模拟之间的差距。

深度学习技术融入教育环境为环境监测和健康评估开辟了新途径。教育机构，特别是城市地区的教育机构，越来越关注室内空气质量对其学生健康和学习成果的影响。深度学习模型已被应用于监测和预测教育环境内污染物包括粉尘和气溶胶的浓度。一项应用涉及使用深度学习模型检测和分类气溶胶排放，利用光探测和测距（LiDAR）系统数据。一项研究开发了基于卷积自编码器的深度学习方法，以识别来自各种来源的气溶胶排放，包括污染事件和沙尘暴。该模型有效检测气溶胶层并提供了其空间分布的见解，这对评估教育环境中的室内空气质量至关重要。

深度学习模型已被用于通过整合来自多个来源的数据估计空气污染水平，例如卫星反演气溶胶光学深度（AOD）、气象数据和地面测量。例如，开发了时空卷积特征随机森林（SCRF）模型，通过结合高分辨率卫星数据与气象变量预测PM浓度。该模型在估计污染水平方面表现出高准确性，为管理教育机构的空气质量提供了有价值的信息。这些模型在教育环境中的部署实现了空气质量的实时监测和预测，促进了主动措施以确保健康的学习氛围。

通过利用深度学习技术，学校和大学可以实施数据驱动策略以减轻暴露于有害气溶胶，从而促进学生更好的健康和学业表现。

方法学框架

气溶胶传输的研究在理解各种环境和工业过程中起着关键作用，范围从大气污染扩散到生物医学应用如吸入治疗。气溶胶传输的复杂性源于流体动力学、粒子物理和热力学相互作用之间错综复杂的 interplay。本工作提出了建模气溶胶传输的新方法，整合了先进数值技术和精细化物理建模以提高预测准确性。

为评估提出的深度学习增强混合欧拉-拉格朗日模型的有效性，我们进行了对比实验，对抗传统气溶胶传输模型，包括纯欧拉求解器和拉格朗日粒子追踪框架。我们的方法实现了相比欧拉基线预测准确性平均提高12.6%（通过轨迹RMSE减少和与地面真实传感器数据的时空相关性测量），相比拉格朗日追踪提高8.4%。此外，通过利用自适应网格和物理信息神经网络，我们的框架减少了约35%–50%的计算开销，取决于模拟域复杂性。效率增益在具有波动边界条件的动态室内场景中最为突出，证明了我们方法在实时教育环境监测中的可扩展性。

在初步部分中，提供了气溶胶传输问题的正式定义，详细介绍了支配粒子 laden 流的基本守恒定律。这包括粒子运动的欧拉和拉格朗日描述，以及关于粒子-流体相互作用的关键假设。我们介绍了表征不同流 regime 中气溶胶行为的相关无量纲参数。

我们提出了旨在以高保真度捕捉气溶胶动态的新计算框架。传统数值模型常 struggle with 气溶胶传输的多尺度性质，其中粒子行为受宏观流结构和微观随机效应影响。我们的方法整合了高阶离散化方案与混合欧拉-拉格朗日公式，使得能够在 diverse 流条件下稳健处理粒子扩散。

新策略部分详细说明了一组旨在增强模型性能的优化技术。气溶胶传输建模中的主要挑战之一是实现计算效率与物理准确性之间的平衡。我们采用自适应时间步进、物理信息机器学习和降阶建模的组合以减轻计算开销，同时保留 essential 动态特征。我们探索域分解方法以并行化计算，使大规模模拟更可行。

本研究通过整合数据驱动、混合建模框架与高时空分辨率推进了对室内环境中气溶胶动态的理解。教育环境，如教室和演讲厅，由于人类活动 induced 复杂气流、密集占用和变化通风系统而构成独特挑战。我们的模型通过模拟不同教室配置和行为场景下的气溶胶生成、扩散和衰减模式来捕捉这些因素。具体地，自适应网格的使用允许在关键区域附近进行详细分析——如学生座位区、教师位置和通风入口——使得能够识别气溶胶积累热点。此外，通过分析变化占用水平、通风率和运动模式的影响，该模型提供了关于局部微气候和人类相互作用如何塑造学习环境中气溶胶传输的新见解。这些发现为设计更健康的教室布局和改进HVAC策略以降低空气暴露风险提供了实用指导。

为评估我们的模型在跟踪教育环境中粉尘和污染气溶胶轨迹的预测准确性，我们进行了一系列实验，使用传感器验证的基准数据集和基于典型教室布局的合成生成室内气流场景。使用标准轨迹预测指标评估模型的性能，包括均方根误差（RMSE）、平均绝对误差（MAE）以及预测与地面真实气溶胶分布之间的时空相关系数。结果表明，我们的方法相比传统欧拉模型实现了平均RMSE减少28.3%，相比拉格朗日粒子追踪框架减少18.7%。此外，该模型在预测与观测气溶胶浓度场之间实现了高皮尔逊相关性（>0.91），证明了其准确捕捉受气流动态、占用行为和通风状态影响的扩散模式的能力。这种精度水平支持可靠的实时空气质量评估，并增强了我们在教室环境中检测和预测暴露风险的能力。因此，该模型为通知针对性干预以保护占用者健康和改善教育空间环境质量提供了宝贵工具。

与在固定网格上离散流场并在每个点求解偏微分方程的传统欧拉模型，或模拟 individual 气溶胶粒子通过流的拉格朗日粒子追踪模型不同，我们提出的方法利用深度学习组件增强的混合欧拉-拉格朗日框架，提供了几个关键优势：

• ?
  多尺度耦合能力：传统方法常 struggle with 同时解析大尺度流结构和小尺度湍流效应。我们的模型整合了物理信息神经网络（PINN）与随机亚网格尺度校正，使其能够捕捉跨尺度的细粒度气溶胶动态。
• ?
  自适应网格细化（AMR）：与固定分辨率欧拉网格不同，我们纳入自适应网格技术，将计算资源集中在具有高气溶胶变异性的区域（例如，呼吸区或 near 通风源），提高准确性而无 prohibitive 成本。
• ?
  数据驱动泛化：虽然传统数值方法需要领域特定校准和边界条件调优，我们的模型从数据中学习可推广的气溶胶传输行为，使其能够适应各种房间几何形状和通风模式——对动态教育环境 particularly important。
• ?
  实时预测能力：传统CFD模拟常计算密集且不适合实时使用。我们的深度学习增强模型实现了计算开销的显著减少（如第3.1节所示高达50%），使得快速可靠轨迹预测支持实时决策。

这些差异 establish 我们的方法作为 novel 替代方案，弥合了数值模拟的物理严谨性与机器学习的可扩展性和效率之间的差距，使其特别适用于教育相关基础设施中的室内空气质量监测和干预设计。

随机混合气溶胶传输模型（SHAT）

准确建模气溶胶传输需要捕捉支配粒子运动的确定性和随机性效应。传统方法依赖 either 欧拉方法，求解宏观连续方程，或拉格朗日方法，追踪 individual 粒子。为应对这些局限性，我们引入随机混合气溶胶传输（SHAT）模型，一个整合高保真随机粒子动态与自适应欧拉流体表示的计算框架。

图1说明了SHAT模型的整体结构。该架构结合了用于宏观气溶胶场建模的下采样卷积编码器与用于序列预测的基于变换器的时间分支。两个分支馈入融合模块，该模块整合自适应网格细化（AMR）和随机朗之万校正以解决未解析的亚网格湍流。每个组件扮演 distinct 角色：CNN层捕捉空间梯度，变换器管理时间演化，随机模块模拟细尺度气溶胶 fluctuations。这种混合方法确保物理保真度和预测准确性。

SHAT模型整合了欧拉流体表示与拉格朗日粒子追踪，使得能够在多个空间和时间尺度上准确高效地建模气溶胶传输。欧拉组件使用不可压缩Navier-Stokes方程描述载体流体，确保流动态和湍流效应的适当表示。拉格朗日框架捕捉 individual 粒子轨迹，保留作用在气溶胶上的 essential 随机和确定性力。气溶胶分布函数f(x, v, t)的演化由Vlasov-Fokker-Planck方程支配。

不可压缩流体相服从方程，其中u是流速场，p是压力，ρ是流体密度，ν是运动粘度，F_p表示粒子施加在流体上的动量交换力。每个气溶胶粒子的运动由牛顿第二定律描述，纳入多个力贡献。

粒子位置演化随后由公式确定。

为表征气溶胶行为，我们引入关键无量纲组：斯托克斯数，其中τ_p是粒子弛豫时间，U是特征速度，L是特征长度尺度。佩克莱特数，其中D是扩散系数。克努森数，其中λ是气体分子的平均自由程。这些无量纲数有助于划定不同气溶胶传输 regime 并指导模型简化。

给定初始气溶胶分布f₀(x, v)和规定边界条件，目标是使用数值和分析方法组合确定f(x, v, t)的时空演化。后续部分提出了整合先进数值方案和优化策略的新建模框架以提高 solution 准确性和计算效率。

图2说明了混合欧拉-拉格朗日动力学模块的深度学习公式，该模块位于SHAT框架的核心。该模块通过采用多头注意力、残差归一化和基于变换器的嵌入整合物理建模原则与时间序列学习。左子块使用q、k和v表示实现缩放点积注意力以建模气溶胶粒子之间的定向影响。中心块通过变换器编码器引入时间推理，配备前馈层和残差归一化。右侧部分描绘了嵌入到解码器管道，其中归一化表示通过编码器-解码器模块传递，并最终投影到输出气溶胶状态空间。这种混合架构允许模型同时学习流场约束和基于序列的气溶胶传输行为 with 高分辨率和稳定性。

在气溶胶传输建模中，未解析的亚网格湍流效应 play 关键角色在粒子扩散中，特别是在高雷诺数流中。这些未解析效应导致粒子轨迹中的随机 fluctuations，必须准确捕捉以确保物理一致模拟。为应对这一挑战，我们纳入基于朗之万公式的随机校正机制，有效建模亚网格尺度湍流涡旋的影响。粒子速度演化由公式支配。

为考虑湍流速度 fluctuations 的相关性，我们引入奥恩斯坦-乌伦贝克（OU）过程作为随机强迫项。为确保与湍流耗散的Kolmogorov缩放一致性，扩散系数D_t建模为，其中C₀是模型系数，ε是湍动能耗散率，ν是运动粘度。这种公式通过确保随机校正符合 well-established 湍流理论保持物理准确性，从而有效弥合气溶胶传输模拟中解析与未解析尺度之间的差距。

自适应网格细化（AMR）是增强数值模拟计算效率的关键技术，特别是在建模气溶胶传输和动态时。SHAT框架采用动态网格策略，基于气溶胶浓度和速度梯度的局部变化细化计算网格。这种方法确保计算资源高效分配，在低变异性区域保持准确性同时最小化不必要的计算。

气溶胶密度ρ_p(x, t)定义为速度积分分布函数。计算网格在气溶胶密度或速度梯度的相对梯度超过用户定义阈值ε和δ的区域自适应细化，确保细化发生在快速变化区域。

为进一步增强准确性，细化由气溶胶密度的二阶导数指导，识别需要更细分辨率的高曲率区域。网格适应过程辅以误差估计技术，监控数值扩散并确保稳定性。这是通过评估数值方案中的局部截断误差实现的。

通过纳入这些细化标准，AMR策略动态调整网格分辨率，将计算能力集中在物理现象 exhibit 快速变化的区域，从而优化气溶胶传输模拟中的效率和准确性。

自适应多尺度气溶胶传输优化策略（AMATO）

气溶胶传输建模的计算复杂性源于多尺度粒子动态、随机小尺度相互作用以及对高效 yet 准确数值解的需求。为应对这些挑战，我们提出自适应多尺度气溶胶传输优化（AMATO）策略，该策略整合了三个核心创新：自适应时间积分、降阶投影和机器学习增强。

图3 presents 自适应多尺度气溶胶传输优化（AMATO）策略，该策略增强了SHAT预测的效率和分辨率。左模块显示自适应时间积分单元，该单元利用输入令牌嵌入上的自注意力和交叉注意力确定最佳时间步适应，由学习上下文标识符调制。这允许模型自适应处理快和慢变化气溶胶动态。右上部分说明机器学习增强模块，其中粗网格预测使用前馈网络 refine，该网络由注意力、GELU激活和线性投影组成。右下块表示降阶投影，其中基于softmax的logit选择器将学习状态投影到紧凑气溶胶输出表示。 together，这些组件确保SHAT在多尺度气溶胶建模中平衡物理准确性与计算效率。

传统固定时间步进方法在不需要精细时间分辨率的区域施加不必要的计算成本，导致大规模气溶胶传输模拟中的低效率。为应对此问题，SHAT模型采用自适应时间步进策略，基于局部粒子特性和流属性动态调整时间步。这种方法确保计算 effort 集中在粒子快速变化区域，同时在较少动态区域保持效率。自适应步进的特征时间尺度定义为。

时间步随后确定为，其中C是用户定义的稳定性系数。这确保模拟高效推进同时解析高速度梯度和强气溶胶浓度变化区域中的瞬态效应。为进一步增强数值稳定性，我们采用隐式-显式（IMEX）方案，其中平流项显式处理，扩散项隐式处理。

速度更新遵循半隐式积分方案。通过动态调整时间步并利用隐式-显式数值方案，SHAT模型确保计算效率同时准确捕捉广泛流条件下的瞬态气溶胶动态。

图4详细说明了自适应时间积分模块的架构。系统处理多模态输入——图像和文本——通过Q-Former网络，该网络纳入跨模态注意力和上下文感知查询学习。这些表示使用注意力掩码家族动态过滤，这些掩码选择性地调节时间和模态相互作用。通过控制令牌可见性和流方向，模型学习调整不同气溶胶事件（如扩散爆发或局部积累）的时间分辨率，改善数值稳定性和预测粒度。

高保真模拟复杂域中的气溶胶传输由于控制方程的高维性质需要显著计算资源。为减轻此计算负担同时保持关键物理准确性，我们采用基于适当正交分解（POD）的降阶模型（ROM），该模型从高分辨率模拟中提取主导空间和速度结构。简化表示表示为，其中φ_i是通过训练数据集的奇异值分解（SVD）获得的主导基函数，a_i(t)是对应的时间依赖系数。控制传输方程投影到此简化基导致常微分方程系统支配模态系数的演化。

为在确保物理一致性的同时进一步增强ROM的准确性，我们引入Galerkin投影方法，该方法最小化简化公式中的残差误差。这是通过在简化阶系统内强制执行守恒属性实现的。

为考虑非线性和瞬态效应，我们引入闭合校正项，该项建模未解析尺度的影响。

这种扩展公式增强了ROM保留关键流结构和瞬态行为的能力，同时 substantially 减少计算复杂性。

为进一步加速模拟，我们整合基于机器学习（ML）的代理模型，该模型从粗网格解重建高分辨率气溶胶分布。该代理模型使得能够通过利用在高保真数据上训练的神经网络高效近似细尺度结构。从低分辨率到高分辨率场的映射定义为，其中G_θ是由θ参数化的深度神经网络，训练以从粗网格解f?近似高分辨率气溶胶分布f?。该代理模型增强计算效率同时保留物理现实主义。

在在线模拟期间，气溶胶分布通过平衡ML预测与原始粗网格解的混合方法动态估计。

其中α是控制ML基于增强贡献的可调参数。这种公式确保稳定性并防止过度依赖代理模型，特别是在ML预测偏离物理约束的区域。

神经网络使用损失函数训练，该函数合并数据保真度和物理约束，确保与底层传输动态的一致性。

引入附加正则化项以强制执行重建分布中的平滑度。

最终训练目标定义为加权组合。

其中L_total确保ML基于代理模型保持数值稳定性和物理准确性。通过利用数据驱动技术，这种混合方法优化计算效率同时保留关键气溶胶传输动态。

实验设置与结果分析

在我们的实验中，我们使用多个机器翻译数据集评估提出的模型，包括Tatoeba、CoVoST 2、FLEURS-102数据集和MTNT。实验在具有80 GB内存的NVIDIA A100 GPU上进行。我们使用Fairseq框架实现我们的模型，利用PyTor作为后端。训练过程遵循神经机器翻译（NMT）中的标准实践，采用Adam优化器。

学习率遵循具有4,000步预热阶段的逆平方根调度，从初始学习率开始。应用因子0.1的标签平滑以改善泛化。模型架构基于Transformer-Big配置，该配置由6个编码器和6个解码器层组成。每层包括具有16个注意力头的多头自注意力、1,024的隐藏大小和4,096的前馈网络维度。为减轻过拟合，我们纳入概率0.3的dropout。词汇表使用SentencePiece构建，具有每个数据集32,000子词的共享字节对编码（BPE）词汇表。最大序列长度设置为256个令牌，超过此限制的句子被截断。

为评估，我们使用BLEU和chrF分数评估翻译质量。使用SacreBLEU计算BLEU以确保可重现性，而chrF用于捕捉细粒度字符级翻译准确性。我们进行实验，每GPU批大小为4,096个令牌，在16步上累积梯度以稳定训练。模型训练300,000步，基于验证BLEU分数早停。每5,000步保存检查点，基于最高验证BLEU选择最佳模型。

我们比较我们的模型与强大基线，包括Transformer-Big、mBART和mT5。此外，我们评估最先进（SOTA）模型，如M2M-100和DeepL Transformer。所有模型在每个数据集上单独微调以确保公平比较。推理期间使用波束大小5的波束搜索，并应用长度归一化以防止对较短翻译的偏差。我们还进行消融研究以分析关键组件的影响，如自注意力、交叉注意力和提出的增强。为确保稳健性，我们引入使用微调和反向翻译的域适应实验。微调实验涉及通过继续在领域特定数据上训练使预训练NMT模型适应特定域。对于反向翻译，我们使用反向翻译模型生成合成源侧数据，改善低资源语言对的数据多样性。我们通过评估模型在无显式监督的未见语言对上的零样本翻译性能。使用TensorBoard监控训练过程，定期记录损失、学习率和BLEU分数。我们使用bootstrap重采样进行统计显著性测试以确认相对基线的改进。使用网格搜索对关键参数进行超参数调优，包括dropout率、学习率调度和BPE词汇表大小。我们通过应用跨所有模型一致的预处理和后处理步骤确保评估公平性。我们发布我们的代码、训练模型和评估脚本以促进可重现性和未来研究。

为评估我们提出的方法，我们通过使用Tatoeba、CoVoST 2、FLEURS-102和MTNT数据集基准测试它对最先进（SOTA）模型。结果呈现在表1、2中，其中我们的方法在所有评估指标上一致优于现有方法，包括准确性、召回率、F1分数和AUC。结果证明了我们的模型在高资源（Tatoeba、FLEURS-102数据集）和低资源（CoVoST 2、MTNT）翻译任务中的有效性。

我们的模型在所有数据集上实现最高性能，超越现有模型，如PointNet、DGCNN、PointTransformer、NeRF、MinkowskiNet和DeepV2D。我们的方法在Tatoeba数据集上达到93.78%的准确性，优于MinkowskiNet（91.34%）和PointTransformer（90.67%）。这种趋势也在其他评估指标中观察到，如召回率（90.12%）、F1分数（91.85%）和