feat: update clustering implementation and docs

docs/00_需求规格说明书.md

@@ -8,13 +8,16 @@
 
 ### 1.2 项目背景
 
-在企业人力资源管理中，员工缺勤不仅影响排班与生产效率，也会对团队稳定性、运营成本和服务质量造成影响。传统方式往往依赖人工统计与经验判断，难以及时识别风险。为提升企业对缺勤行为的洞察能力，本项目设计并实现一个面向企业管理场景的缺勤分析与预测系统，通过数据统计、特征分析、风险预测和员工画像等功能，为管理者提供辅助决策支持。
+在企业人力资源管理中，员工缺勤不仅影响排班、生产效率和运营成本，也会影响团队稳定性与服务质量。传统缺勤管理往往依赖人工统计和经验判断，难以及时识别高风险群体，更难解释缺勤背后的深层原因。
+
+为提升企业对缺勤行为的洞察能力，本项目设计并实现一个面向企业管理场景的缺勤分析与预测系统。系统以中国企业模拟数据集为基础，结合统计分析、机器学习预测、聚类画像与 `JD-R`（工作要求-资源）理论解释，为管理者提供“现象识别 + 风险预测 + 原因解释 + 干预启发”的辅助决策支持。
 
 ### 1.3 项目目标
 
 - 实现缺勤数据的全局统计与可视化展示
 - 分析影响缺勤时长的关键因素
-- 提供单次缺勤风险预测能力
+- 从 `JD-R` 理论视角解释员工缺勤的心理学驱动机制
+- 提供单次缺勤时长预测与风险评估能力
 - 基于聚类结果构建员工群体画像
 - 形成一套完整的毕业设计系统与配套论文材料
 
@@ -30,6 +33,7 @@
 
 - 查看缺勤整体趋势和分布结构
 - 分析不同因素对缺勤时长的影响
+- 通过 `JD-R` 理论理解“为什么员工会缺勤”
 - 输入关键因素并预测单次缺勤风险
 - 查看员工群体画像与典型群体差异
 - 在毕业设计答辩中展示系统界面与分析结果
@@ -51,16 +55,25 @@
 - 提供多维度群体对比分析
 - 支持从行业、班次、岗位序列、婚姻状态、慢性病史等维度查看平均缺勤差异
 
-### 3.3 缺勤预测模块
+### 3.3 `JD-R` 理论分析模块
+
+- 展示工作要求、工作资源、个人资源三维度统计结果
+- 展示工作倦怠与工作投入分布
+- 展示健康损伤路径与激励路径的关联分析
+- 支持按行业等维度查看 `JD-R` 画像
+- 展示风险等级分布与 `JD-R` 平衡状态
+
+### 3.4 缺勤预测模块
 
 - 支持输入核心业务因子进行缺勤时长预测
-- 支持显示风险等级与置信度
+- 支持显示风险等级、风险概率与置信度
 - 支持多模型结果对比
-- 支持自动选择较优模型
+- 支持默认推荐较优模型
+- 支持单次预测结果的 `SHAP` 局部解释
 
-### 3.4 员工画像模块
+### 3.5 员工画像模块
 
-- 支持 K-Means 聚类分析
+- 支持 `K-Means` 聚类分析
 - 展示群体雷达图
 - 展示聚类散点图
 - 展示各群体人数、占比和文字说明
@@ -83,7 +96,7 @@
 
 - 前后端模块划分清晰
 - 数据生成、训练、服务和展示逻辑相互独立
-- 文档和代码保持一致
+- 理论文档、接口文档与代码实现保持一致
 
 ### 4.4 安全性需求
 
@@ -94,22 +107,25 @@
 
 - 每条数据代表一次员工缺勤事件
 - 预测目标为缺勤时长（小时）
-- 风险等级划分规则：
+- 系统展示层使用三档风险划分：
   - 低风险：缺勤时长小于 4 小时
   - 中风险：缺勤时长 4 至 8 小时
   - 高风险：缺勤时长大于 8 小时
+- `JD-R` 理论解释以“工作要求高、资源不足、倦怠上升、投入下降”作为重要分析逻辑
 
 ## 6. 约束条件
 
 - 系统采用前后端分离架构
 - 后端基于 Flask
 - 前端基于 Vue 3 与 Element Plus
-- 训练数据采用项目内部生成的企业场景数据
+- 训练数据采用项目内部生成的中国企业场景模拟数据
+- 深度学习模型当前采用时序注意力融合网络，接口名称保留为 `lstm_mlp`
 
 ## 7. 验收标准
 
 - 系统可正常启动并访问所有页面
 - 各模块接口能够正确返回数据
-- 预测模块可以返回缺勤时长与风险等级
-- 影响因素分析与聚类页面可正常展示图表
+- 预测模块可以返回缺勤时长、风险等级和解释结果
+- `JD-R` 理论分析页面可正常展示维度图表与路径分析
+- 聚类与因素分析页面可正常展示图表
 - 文档能够支撑毕业设计提交和答辩展示