劉 婷，謝孟霞，王 婷，張 琦

（中國鐵路哈爾濱局集團有限公司信息技術所，哈爾濱 150006）

數(shù)據(jù)是一種資產，也是一種生產要素，可以提供強大的決策力，隨著時間的沉淀，最終會成為海量的、高增長率的、多樣化的信息資產。在大數(shù)據(jù)的分析與應用盛行的時代，大數(shù)據(jù)技術已經深入到各行各業(yè)之中，其地位也在日益凸顯。在大數(shù)據(jù)戰(zhàn)略的背景下，吹響了加快發(fā)展數(shù)字經濟、建設數(shù)字中國的號角。標志著大數(shù)據(jù)正式成為我國戰(zhàn)略規(guī)劃的核心任務之一，研究和發(fā)展大數(shù)據(jù)技術已經成為必然趨勢[1]。

鐵路貨運是我國交通行業(yè)的重要組成部分。隨著貨運組織改革的不斷推進，中國國家鐵路集團有限公司已相繼推廣了貨運電子商務、調度、現(xiàn)車及貨票等主干貨物運輸支撐信息管理系統(tǒng)，目前已累積大量數(shù)據(jù)。據(jù)初步統(tǒng)計，國鐵集團及各鐵路局集團公司存儲的數(shù)據(jù)總量已達到10 PB的數(shù)據(jù)級[2]，且各類數(shù)據(jù)增量很快，所以中國鐵路貨運正處于大數(shù)據(jù)時代。

1 鐵路貨運大數(shù)據(jù)現(xiàn)狀與解決方案

1.1 鐵路貨運大數(shù)據(jù)存在的不足

1.1.1 貨運系統(tǒng)的建設過程中，各管理系統(tǒng)比較獨立

隨著信息化的不斷建設，哈爾濱局集團公司已完成了貨運電子商務系統(tǒng)、東北快運系統(tǒng)、貨票系統(tǒng)及貨運站系統(tǒng)等貨運業(yè)務系統(tǒng)推廣工作。首先，在這些系統(tǒng)陸續(xù)推廣與使用后，每天會產生大量業(yè)務數(shù)據(jù)，但是各系統(tǒng)之間耦合度不高，大部分數(shù)據(jù)只在系統(tǒng)內部進行分析，缺少橫向綜合對比，這直接限制了系統(tǒng)發(fā)揮更大的作用，對于數(shù)據(jù)背后的價值不能進行深入地挖掘。其次，數(shù)據(jù)共享備份不夠，如果各業(yè)務系統(tǒng)出現(xiàn)故障，將會產生數(shù)據(jù)二義問題。最后，特別是數(shù)據(jù)字典需要多方提供，不能避免數(shù)據(jù)有沖突，所以需要加強統(tǒng)一管理維護。因此，需要將各信息系統(tǒng)的數(shù)據(jù)進行集中整合，才能更好地服務于鐵路貨運業(yè)務。

1.1.2 數(shù)據(jù)源錄入不夠準確

數(shù)據(jù)是業(yè)務分析和指揮決策的基礎，如果基礎數(shù)據(jù)不準確將嚴重影響數(shù)據(jù)的分析結果，因此數(shù)據(jù)的準確性對大數(shù)據(jù)平臺的應用效果起到重要作用。目前，由于鐵路貨運中各個系統(tǒng)的基礎數(shù)據(jù)均是由車站人工錄入，在錄入數(shù)據(jù)的過程中，數(shù)據(jù)標準化程度不高，影響數(shù)據(jù)質量。同時在錄入過程中也存在數(shù)據(jù)不一致和數(shù)據(jù)不準確的問題，這會直接導致后續(xù)對數(shù)據(jù)的操作及得出的結論失去意義。

1.1.3 數(shù)據(jù)分析技術能力不足

數(shù)據(jù)分析是一個清理、轉換、進行數(shù)據(jù)建模的過程，從而得出結論并支持決策。目前數(shù)據(jù)分析統(tǒng)計仍采用傳統(tǒng)的手工統(tǒng)計或數(shù)據(jù)庫技術，而使用數(shù)據(jù)處理技術進行大數(shù)據(jù)的應用分析缺少專用技術與工具的支撐，數(shù)據(jù)的可用性不強、時效性低，對決策不能提供很好的數(shù)據(jù)支持。

1.1.4 鐵路貨運數(shù)據(jù)共享模式不成熟

數(shù)據(jù)共享的目的是為了提高信息的利用率，減少“信息孤島”效應。在數(shù)據(jù)采集、整合等方面也會節(jié)約一定的成本。但是由于目前各部門之間的合作模式不清晰，有些鐵路業(yè)務數(shù)據(jù)是不愿意提供的，從而加大了數(shù)據(jù)采集的難度。因此，如何達成不同部門之間的合作共贏模式成為了數(shù)據(jù)融合的先決條件。通過有效的措施促進數(shù)據(jù)融合，從而形成覆蓋更大領域的數(shù)據(jù)集合，全面深化大數(shù)據(jù)的應用范圍，真正地為各項決策提供數(shù)據(jù)支持。

1.2 數(shù)據(jù)整合的解決方案

1.2.1 做好數(shù)據(jù)質量保障工作

數(shù)據(jù)的質量決定著大數(shù)據(jù)平臺的效果，做好數(shù)據(jù)質量的保障工作是發(fā)揮大數(shù)據(jù)平臺作用的前提。首先，通過考核制度提高操作人員的技術水平，盡可能保證數(shù)據(jù)在錄入階段的準確性。避免因為初始數(shù)據(jù)的錯誤錄入而導致后續(xù)操作失效的問題發(fā)生。其次，在數(shù)據(jù)交換過程中需要完善的制度標準，明確交換機制及雙方責任，有效地執(zhí)行數(shù)據(jù)交換標準。最后，可以通過開發(fā)適合公司的數(shù)據(jù)管理系統(tǒng)，在采集數(shù)據(jù)后對數(shù)據(jù)進行有效清洗并做到規(guī)范化，為后期數(shù)據(jù)挖掘和分析提供更高質量的可信數(shù)據(jù)。

1.2.2 建立數(shù)據(jù)倉庫

數(shù)據(jù)倉庫是用于數(shù)據(jù)管理的工具，構建數(shù)據(jù)倉庫可以提供一個支持決策分析的環(huán)境，從不同的數(shù)據(jù)源中獲取數(shù)據(jù)、組織數(shù)據(jù)，進而更加有效地進行業(yè)務決策。將目前與鐵路貨運相關的生產系統(tǒng)中的數(shù)據(jù)進行提取與清洗，并存儲到數(shù)據(jù)倉庫中，在經過篩選處理可以提高數(shù)據(jù)的價值。

1.2.3 數(shù)據(jù)安全治理

在數(shù)據(jù)采集、處理和共享等方面都存在安全威脅，在大數(shù)據(jù)時代確保敏感數(shù)據(jù)的安全性尤為重要。鐵路貨運大數(shù)據(jù)平臺存儲與處理不同安全級別的數(shù)據(jù)，在數(shù)據(jù)共享的同時會帶來更多的安全隱患，所以需要建立一套完善的、覆蓋數(shù)據(jù)整個生命周期的數(shù)據(jù)安全保障體系。同時可以通過大數(shù)據(jù)平臺安全評估體系，來進一步確保數(shù)據(jù)安全。

2 大數(shù)據(jù)平臺架構及關鍵技術

建立鐵路貨運大數(shù)據(jù)平臺首先要梳理出現(xiàn)有的數(shù)據(jù)資源，明確大數(shù)據(jù)平臺的應用主題，對于梳理好的數(shù)據(jù)經過數(shù)據(jù)治理后加載到大數(shù)據(jù)平臺，通過大數(shù)據(jù)平臺應用層進行分析和綜合展示，提供有效信息、支持決策[3]。建立鐵路貨運大數(shù)據(jù)平臺主要分為建立數(shù)據(jù)采集層、數(shù)據(jù)傳輸層、數(shù)據(jù)存儲層、數(shù)據(jù)分析層及數(shù)據(jù)展示層5個層面，如圖1所示。

圖1 鐵路貨運大數(shù)據(jù)平臺架構

2.1 平臺數(shù)據(jù)采集層

鐵路貨運大數(shù)據(jù)主要分為鐵路綜合辦公網生產數(shù)據(jù)和互聯(lián)網類數(shù)據(jù)2種。貨運電子商務系統(tǒng)、東北快運系統(tǒng)、貨運調度系統(tǒng)、貨運計劃系統(tǒng)、現(xiàn)車系統(tǒng)、貨運站系統(tǒng)及貨票系統(tǒng)是鐵路內部數(shù)據(jù)的主要數(shù)據(jù)源。鐵路是運輸服務型企業(yè)，需要時刻關注政府的發(fā)展規(guī)劃，客戶的需求與反饋意見，以及經濟政策和市場動態(tài)等多方面信息，還需要掌握公路、水路價格及相關運量數(shù)據(jù)，這些互聯(lián)網類的數(shù)據(jù)對鐵路貨運業(yè)務拓展也起到指導性作用，可以為集團公司后期的決策分析提供支持。

通過網絡爬蟲技術獲取萬維網數(shù)據(jù)，同時為了提高抓取性能，加快抓取速度，貨運大數(shù)據(jù)平臺采用Java多線程技術，并行處理多個URL連接，從而實現(xiàn)快速且高效的信息采集；同時采用廣度優(yōu)先策略，以分層的方式進行網頁抓取，可以大大降低服務器的內存消耗。

2.2 平臺數(shù)據(jù)傳輸層

數(shù)據(jù)傳輸層包括鐵路綜合辦公網及互聯(lián)網。內網與外網間采用鐵路安全平臺進行阻隔，確保互聯(lián)網數(shù)據(jù)安全傳輸?shù)絻染W進行使用，有效保護鐵路內部辦公網絡的安全。集團公司與各貨運站段之間數(shù)據(jù)傳輸則采用鐵路辦公網作為網絡載體。

2.3 平臺數(shù)據(jù)存儲層

由于鐵路貨運業(yè)務系統(tǒng)中的數(shù)據(jù)都是格式化數(shù)據(jù)，均以關系型數(shù)據(jù)庫的方式進行存儲，主要數(shù)據(jù)庫產品為Oracle數(shù)據(jù)庫。目前鐵路貨運業(yè)務也存在一些檢測類的輔助系統(tǒng)，其數(shù)據(jù)是以音頻或視頻等形式存儲的，這部分數(shù)據(jù)量較大，且不適合存儲到數(shù)據(jù)庫中，因此這部分數(shù)據(jù)需要采用分布式文件系統(tǒng)（HDFS）方式進行存儲。而對于互聯(lián)網獲取的數(shù)據(jù)需要通過專業(yè)軟件產品（如Sqoop等），將數(shù)據(jù)轉化為文件方式進行存儲。

2.4 平臺數(shù)據(jù)分析層

由于大數(shù)據(jù)數(shù)據(jù)類型分為結構化數(shù)據(jù)和非結構化數(shù)據(jù)2種類型，所以數(shù)據(jù)分析層分為結構化數(shù)據(jù)分析與非結構化數(shù)據(jù)分析。

結構化數(shù)據(jù)是經過處理后并加載到關系型數(shù)據(jù)庫中的數(shù)據(jù)，而結構化數(shù)據(jù)分析已經是一種逐漸趨于成熟的技術[4]。在鐵路貨運業(yè)務中，結構化數(shù)據(jù)分析可以通過各生產系統(tǒng)建設的數(shù)據(jù)倉庫進行研究。例如分析數(shù)據(jù)量龐大的電子運單數(shù)據(jù)時，可以采用數(shù)據(jù)倉庫的聯(lián)機分析處理（OLAP），OLAP作為一種多維查詢和分析工具，不但提高了查詢速度，使數(shù)據(jù)庫中大量數(shù)據(jù)得到有效地利用，同時也降低了服務器的性能損耗，如圖2所示。

圖2 OLAP架構

非結構化數(shù)據(jù)是音頻、視頻和圖片等文件，非結構化數(shù)據(jù)是不滿足任何預定義模式的數(shù)據(jù)，可以加載到NoSQL等非關系型數(shù)據(jù)庫中。通過傳統(tǒng)的數(shù)據(jù)分析技術是不足以處理這類數(shù)據(jù)的。非結構化分析基于Hadoop、Spark等框架進行研究。其中對于分布式數(shù)據(jù)處理的抽象層次不高時，采用Hadoop分布式文件系統(tǒng)對數(shù)據(jù)存儲并處理；Hadoop分布式文件系統(tǒng)（HDFS）是Hadoop應用中一個最主要的分布式存儲系統(tǒng)。一個HDFS集群主要由1個元數(shù)據(jù)管理節(jié)點（NameNode）和很多個數(shù)據(jù)節(jié)點（DataNode）組成：NameNode管理文件系統(tǒng)的元數(shù)據(jù)，而DataNode存儲了實際的數(shù)據(jù)。而對于需要使用機器學習及批處理等技術時，則使用Spark框架。主要采用的算法包括回歸分析、統(tǒng)計分析、神經網絡、支持向量機及深度學習等基礎算法，如圖3所示。

圖3 Hadoop分布式文件系統(tǒng)（HDFS）架構

2.5 平臺數(shù)據(jù)展示層

目前在數(shù)據(jù)展示方面應用較多的工具是潤乾報表，通過潤乾報表可以根據(jù)自己的需求制定復雜的報表并進行數(shù)據(jù)分析?？梢酝ㄟ^引入ECharts等第三方圖庫進行特色展示?；趆tml5 Canvas的ECharts是一個純Javascript圖表庫，兼容大部分瀏覽器。ECharts可以提供更直觀、更生動的數(shù)據(jù)可視化圖表，并且支持交互和個性化定制，滿足個性化需求。具有豐富的可視化類型，通過散點圖、折線圖、柱狀圖、餅圖、雷達圖、K線圖、熱力圖、漏斗圖和儀表圖的形式進行數(shù)據(jù)展示。此外ECharts提供了動態(tài)類型切換功能，讓用戶可以根據(jù)需要切換相應的圖表類型和堆疊狀態(tài)。同時也可以通過平臺本身的數(shù)據(jù)展示模塊進行數(shù)據(jù)動態(tài)的、實時的重繪操作。

3 大數(shù)據(jù)平臺實施步驟

大數(shù)據(jù)平臺的建設并不是一蹴而就的，需要不斷地探索與修正。大數(shù)據(jù)平臺的實施步驟主要分為以下幾部分。

3.1 業(yè)務分析并確定大數(shù)據(jù)平臺應用主題

業(yè)務分析主要包括對貨運業(yè)務流程和需求的分析、確定數(shù)據(jù)源，通過對用戶需求的調研明確分析目標和思路，確定要導入哪些數(shù)據(jù)、要得到哪些信息，從而確保數(shù)據(jù)分析有效進行。貨物運輸是鐵路行業(yè)的核心支柱產業(yè)，在市場經營領域圍繞貨運業(yè)務，通過搜集貨票數(shù)據(jù)、貨運電子商務系統(tǒng)計劃數(shù)據(jù)及更多貨運系統(tǒng)的數(shù)據(jù)，可以進行貨運業(yè)務額盈虧分析。通過對用戶行為的大數(shù)據(jù)分析可以進一步提高市場營銷能力。

3.2 數(shù)據(jù)規(guī)劃

數(shù)據(jù)規(guī)劃包括通過對業(yè)務調研進行統(tǒng)一編碼并確認，盤點已有數(shù)據(jù)資產，完善數(shù)據(jù)管理標準有效進行數(shù)據(jù)規(guī)范等，加快數(shù)據(jù)資源的整合共享[5]。

3.3 設計邏輯模型和物理模型

通過對原始數(shù)據(jù)進行分析，建立實體模型、建立數(shù)據(jù)庫邏輯模型等來完成邏輯模型的設計。集團公司的大數(shù)據(jù)平臺仍然處于探索階段，初期應采取全開源架構，隨著研究的不斷深入再考慮更成熟的商業(yè)方案。在完成邏輯模型的設計后將其轉換為物理模型，并進行壓力測試與性能測試，提出優(yōu)化方案。

3.4 系統(tǒng)推廣

圍繞著已經明確的項目意圖和商業(yè)目標讓大數(shù)據(jù)真正地應用起來，通過數(shù)據(jù)挖掘得到有商用價值的信息為鐵路貨運業(yè)務提供數(shù)據(jù)服務與決策支持。

4 結束語

鐵路貨運大數(shù)據(jù)平臺的建設是一個不斷探索的過程。不僅需要分析鐵路貨運業(yè)務需求，形成鐵路貨運大數(shù)據(jù)的建設規(guī)劃，也需要借鑒其他領域的大數(shù)據(jù)項目。經歷不斷的驗證、修正、實施，來逐漸完成大數(shù)據(jù)平臺的建設。鐵路貨運大數(shù)據(jù)平臺將成為重要的資產數(shù)據(jù)、提供數(shù)據(jù)服務、通過預測分析能力支持哈爾濱局集團公司的各項決策。構建適合哈局貨運業(yè)務發(fā)展的大數(shù)據(jù)平臺，將提高挖掘貨運數(shù)據(jù)價值的能力，成為貨運業(yè)務增收的重要手段。鐵路貨運大數(shù)據(jù)方面的研究成果也可以逐步延伸到集團公司經營、生產、安全等領域，充分利用大數(shù)據(jù)技術，發(fā)揮其在提高效率、提高效益、優(yōu)化服務、保障安全方面的作用，是集團公司在新時期的必然選擇。