(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210785243.5 (22)申请日 2022.07.05 (71)申请人 西南交通大 学 地址 610031 四川省成 都市金牛区二环路 北一段111号 (72)发明人 何娟　谢文颖　李济明　郭涛　 (74)专利代理 机构 成都天既明专利代理事务所 (特殊普通 合伙) 51259 专利代理师 邓世燕　杜雁春 (51)Int.Cl. G06F 16/26(2019.01) G06F 16/2455(2019.01) G06F 16/25(2019.01) G06F 16/29(2019.01) (54)发明名称 基于自学习规则运算的铁路货运大数据可 视化展示平台 (57)摘要 本发明公开了一种基于自学习规则运算的 铁路货运大数据可视化展示平台， 包括交互式可 视化展示模块、 数据仓库模块、 数据传输接口和 数据挖掘模块。 与现有技术相比， 本发明提供的 基于自学习规则运算的铁路货运大数据可视化 展示平台能够实现对铁 路货运总体情况、 货物分 布、 货物流动、 货物预测、 客户分类、 客户流动和 货运运价七个方面的刻 画， 同时数据挖掘模块能 够实现上述内容的智能分析， 从海量数据中挖掘 分析出辅助铁路货运科学决策的高价值信息。 并 通过大数据可视化和交互式方式给使用者提供 高效、 全面、 直观的使用体验， 为使用者迅速提供 对高价值信息的高效洞察力。 平台的研发是对铁 路货运数据资产的高效率转化， 助力铁路货运运 营效率的提升 。 权利要求书3页 说明书14页 附图5页 CN 115145993 A 2022.10.04 CN 115145993 A 1.一种基于自学习规则运算的铁路货运大数据可视化展示平台， 其特征在于： 包括交 互式可视化展示模块、 数据仓库模块、 数据传输 接口和数据 挖掘模块， 其中： 所述数据仓库模块响应用户通过交互式可视化展示模块提交 的查询信 息， 通过数据传 输接口并行提取铁路货运电子商务平台后台数据库、 地理数据库、 统计局数据库、 金融数据 库和行业数据库的数据， 并将提取的数据通过 数据传输 接口传送至数据 挖掘模块； 所述数据挖掘模块包括数据清理模块、 自学习规则运算模块和挖掘结果存储模块， 用 于清理数据仓库模块提取 的数据， 并结合交互式可视化展示模块的查询数据， 运用基于多 变量LSTM的铁路货运运价率波动预测算法、 基于集成学习的铁路货运客户流失预警算法、 基于CNN‑LSTM的铁 路区域货运量短期预测算法构成自学习规则运算库进 行训练， 然后通过 挖掘结果存 储模块对挖掘结果进行存 储， 并返回挖掘结果于交 互式可视化展示模块。 2.根据权利要求1所述的基于自学习规则运算的铁路货运大数据可视化展示平台， 其 特征在于： 所述基于多变量 LSTM的铁路货运 运价率波动预测算法包括如下步骤： 步骤一、 计算 运价浮动率； 步骤二、 构建数据仓库多维特 征数据集， 确定特 征变量； 步骤三、 对特 征变量和运 价浮动率进行 预处理后进行训练集和 测试集的划分； 步骤四、 构建基于多变量LSTM的铁路货运运价浮动预测模型， 设置模型初始参数值， 使 用训练集对模型进 行超参数优化， 得到最优模型； 将测试集应用于训练好的最优模型， 将预 测值进行反归一 化处理， 使其与真实值处于同一 量级， 输出 预测结果并评估 模型质量。 3.根据权利要求2所述的基于自学习规则运算的铁路货运大数据可视化展示平台， 其 特征在于： 按如下公式计算 运价浮动率rxi： 其中， rxi表示货物种类代码为x的第i票货运数据的运价浮动率； P1为实际运价率； P2为 理论运价率； 为货物x所适用的基价1； 为货物x所适用的基价2； Γxi为该票货物的货 票总金额； lxi为该票货物的运输总里程； wxi为该票货物的计 费重量； Fxi为该票货物所需缴权　利　要　求　书 1/3 页 2 CN 115145993 A 2纳的所有附加费用； ft为第t类费用的系数； Mxi为该票货物所需缴纳的所有杂费； mk为第k项 杂费的系数； θk为该项杂费服务的距离； Λxi为该票货物所有的加减成率； λj为第j项加成率 或减成率， 该数据可为正数也可为负数， 当存在两个以上负数时仅取其中最小一个， 当存在 两个以上正数时所有数值进行叠加运 算。 4.根据权利要求2所述的基于自学习规则运算的铁路货运大数据可视化展示平台， 其 特征在于： 步骤二所述构建数据仓库多维特 征数据集， 确定特 征变量的方法为： (1)建立模型预测数据仓库： 包括运输成本数据集、 宏观环境数据集、 市场竞争数据集 与运输对象数据集； (2)将自变量X1,X2,…,Xm作为数据 集中影响因素的特征变量和作为因变量的运价浮动 率进行相关性计算， 根据变量间的相关性 程度确定n个特 征变量作为模型输入。 5.根据权利要求1所述的基于自学习规则运算的铁路货运大数据可视化展示平台， 其 特征在于： 所述基于集成学习的铁路货运 客户流失预警算法包括如下步骤： 步骤一、 获取待预测铁路货运客户查询时间前12月的历史发货订单原始数据集， 并对 原始数据集进行 数据预处 理； 步骤二、 构建铁路货运 客户运单 数据特征指标； 步骤三、 基于客户行为数据信 息对客户样本进行赋值得到铁路货运客户流失样本数据 标签； 将铁路货运客户特征数据及流失样本数据标签构建为新数据集， 并将新数据集按预 设比例划分为训练集和 测试集； 步骤四、 采用多个基学习器组成第 一层机器学习模型， 使用K折交叉验证方法基于训练 集生成训练好的基学习器， 并将测试集输入训练好的基学习器， 分别得到各个训练好的基 学习器对测试集的预测结果； 步骤五、 使用逻辑回归作为元学习器建立第二层机器学习模型， 将各个训练好的基学 习器对测试集的预测结果作为元学习器的特征值， 由此形成Stacking融合模型对目标特征 进行预测并输出 预测结果， 得到待测客户的流失概 率， 并转化成客户流失预警颜色标识。 6.根据权利要求5所述的基于自学习规则运算的铁路货运大数据可视化展示平台， 其 特征在于： 关键特征指标包括发货时间间隔R、 发货次数F、 发货总金额M、 最大发货金额D、 近 期发货能力K和发货倾向V； 其中： 1)近期发货能力K按如下公式计算： 式中， T为客户平均发货时间 间隔； 2)发货倾向V按如下公式计算： 式中， Vi表示客户第i次发货周转量和第i+1次发货周转量的差值， 发货周转量为计费重 量与总里程的乘积。 7.根据权利要求5所述的基于自学习规则运算的铁路货运大数据可视化展示平台， 其 特征在于： 所述K折交叉验证方法为： 将训练集划分为相等的K份， 在训练各个基分类器时， 每次取其中K ‑1份训练模 型， 将第K份的特征输入训练好的模型进 行预测， 以得到预测值； 再权　利　要　求　书 2/3 页 3 CN 115145993 A 3