基于設(shè)備畫像的機(jī)車標(biāo)簽體系構(gòu)建方法研究

李鑫，史天運(yùn)，常寶，馬小寧，劉軍

(1.中國鐵道科學(xué)研究院，研究生部，北京100081；2.中國鐵道科學(xué)研究院集團(tuán)有限公司，北京100081；3.中國鐵道科學(xué)研究院集團(tuán)有限公司，電子計算技術(shù)研究所，北京100081)

0 引言

機(jī)車是鐵路客貨運(yùn)輸?shù)闹匾a(chǎn)工具[1]，能否全面、準(zhǔn)確地掌握機(jī)車的質(zhì)量狀態(tài)將直接影響鐵路運(yùn)輸生產(chǎn)效率和安全管理水平。隨著各類監(jiān)測檢測設(shè)備和信息管理系統(tǒng)的不斷投入，鐵路已積累了海量的機(jī)車數(shù)據(jù)[2]。如何將這些數(shù)據(jù)轉(zhuǎn)化為形象直觀，易于生產(chǎn)人員理解和使用的日常生產(chǎn)知識，發(fā)揮數(shù)據(jù)的潛在價值，已成為機(jī)務(wù)大數(shù)據(jù)應(yīng)用的重要課題。

機(jī)車設(shè)備畫像作為鐵路機(jī)務(wù)安全大數(shù)據(jù)應(yīng)用的重要研究內(nèi)容，致力于將分散、龐雜、難懂的數(shù)據(jù)轉(zhuǎn)變?yōu)橐撰@得、易理解、易分析的標(biāo)簽體系，從而客觀、精準(zhǔn)、形象地刻畫出機(jī)車質(zhì)量及安全狀態(tài)。借助機(jī)車標(biāo)簽體系開展機(jī)車事故故障精準(zhǔn)分析和診斷，有助于防止“設(shè)備不穩(wěn)定狀態(tài)”導(dǎo)致的事故故障，提升機(jī)車安全預(yù)警能力。在此基礎(chǔ)上，通過對機(jī)車檢修方案實(shí)施個性化設(shè)計，將支撐機(jī)車從“計劃檢修”向“差異化檢修”轉(zhuǎn)變，提高機(jī)車運(yùn)輸生產(chǎn)效率。同時，機(jī)車標(biāo)簽體系可以輔助日常安全管理決策，提高機(jī)車質(zhì)量及安全管控水平。

目前，機(jī)車設(shè)備畫像研究尚處于起步階段，在實(shí)際應(yīng)用中仍面臨一些困難。一是大量數(shù)據(jù)仍堆積在各自的信息系統(tǒng)中，數(shù)據(jù)的深層價值利用不足；二是大量數(shù)據(jù)需要結(jié)合專業(yè)的數(shù)據(jù)處理知識才能被深入理解，無法被生產(chǎn)管理人員充分使用；三是數(shù)據(jù)挖掘算法的應(yīng)用較少，尚未構(gòu)建可行的機(jī)車標(biāo)簽體系，無法形成真實(shí)完整的機(jī)車畫像。

因此，本文運(yùn)用畫像及標(biāo)簽技術(shù)，提出基于設(shè)備畫像的機(jī)車標(biāo)簽體系技術(shù)框架，形成完整的機(jī)車標(biāo)簽體系，并運(yùn)用改進(jìn)的K-means聚類算法等標(biāo)簽獲取手段，在某鐵路局開展實(shí)際應(yīng)用研究，取得了良好的應(yīng)用效果。

1 設(shè)備畫像與標(biāo)簽技術(shù)

畫像研究是通過“打標(biāo)簽”的形式[3]，將研究對象的基本屬性、行為特征等信息抽象成一個標(biāo)簽化的模型[4]，易于人們理解且方便計算機(jī)處理分析。

1.1 設(shè)備畫像

設(shè)備畫像是借鑒用戶畫像[5]的概念，采集目標(biāo)設(shè)備的基本信息和在運(yùn)行過程中留下的各類數(shù)據(jù)，并將其轉(zhuǎn)換為畫像標(biāo)簽。通過構(gòu)造精準(zhǔn)、細(xì)粒度和結(jié)構(gòu)化的標(biāo)簽體系[6]，形成設(shè)備的抽象畫像模型，進(jìn)而利用數(shù)據(jù)挖掘等方法，對設(shè)備狀態(tài)進(jìn)行有針對性的分析和研究。

鐵路機(jī)車設(shè)備畫像是設(shè)備畫像在鐵路機(jī)務(wù)專業(yè)的具體應(yīng)用，是將機(jī)車運(yùn)用、整備、檢修、專項整治等多個維度的海量數(shù)據(jù)，按照一定的結(jié)構(gòu)精煉成機(jī)車的畫像標(biāo)簽，使機(jī)車數(shù)據(jù)表述更加規(guī)范化、形象化和可讀化，從而對機(jī)車的健康狀態(tài)實(shí)現(xiàn)精準(zhǔn)、科學(xué)、直觀地把控，降低機(jī)車數(shù)據(jù)的分析難度，推動大數(shù)據(jù)技術(shù)與機(jī)車運(yùn)輸生產(chǎn)管理的深入結(jié)合。

1.2 標(biāo)簽技術(shù)

標(biāo)簽是基于人為定義的規(guī)則，結(jié)合實(shí)際應(yīng)用而高度精煉的簡潔、具體、形象化的特征標(biāo)識[7]。標(biāo)簽具有“人為定義”“語義化”“短文本”這3 個特點(diǎn)[8]，即通過人為的概括或定義，以唯一性的語義說明對應(yīng)標(biāo)簽的具體含義。設(shè)備的標(biāo)簽與設(shè)備畫像之間的關(guān)系如圖1所示。

圖1 設(shè)備標(biāo)簽與設(shè)備畫像關(guān)系結(jié)構(gòu)標(biāo)簽評價Fig.1 Relationship between equipment labels and equipment portrait

設(shè)備標(biāo)簽可分為“基本屬性類標(biāo)簽”“動態(tài)行為類標(biāo)簽”“綜合評價類標(biāo)簽”這3 類[9]?；緦傩灶悩?biāo)簽描述設(shè)備固有的、靜態(tài)的屬性，取值通常比較容易。動態(tài)行為類標(biāo)簽反映設(shè)備的運(yùn)轉(zhuǎn)狀態(tài)、養(yǎng)護(hù)情況、事故故障等動態(tài)信息，體現(xiàn)設(shè)備的實(shí)時狀態(tài)。綜合評價類標(biāo)簽則是根據(jù)設(shè)備的生產(chǎn)特點(diǎn)及制度規(guī)范總結(jié)歸納的具有評價性質(zhì)的信息。

2 機(jī)車標(biāo)簽體系

2.1 技術(shù)架構(gòu)

機(jī)車標(biāo)簽體系的技術(shù)架構(gòu)以單臺機(jī)車為研究主體，由“數(shù)據(jù)采集層”“標(biāo)簽庫層”“標(biāo)簽應(yīng)用層”構(gòu)成，如圖2所示。

圖2 機(jī)車標(biāo)簽體系技術(shù)架構(gòu)Fig.2 Technical framework of locomotive label system

技術(shù)架構(gòu)以數(shù)據(jù)匯集為基礎(chǔ)，以標(biāo)簽生成、優(yōu)化及管理為核心，以標(biāo)簽應(yīng)用為目標(biāo)，利用大數(shù)據(jù)挖掘算法，整合機(jī)車各類生產(chǎn)數(shù)據(jù)，開展機(jī)車標(biāo)簽體系的全生命周期管理，滿足機(jī)務(wù)專業(yè)相關(guān)的業(yè)務(wù)需求。

(1)數(shù)據(jù)采集層

數(shù)據(jù)采集層是以系統(tǒng)對接，數(shù)據(jù)錄入，批量導(dǎo)入等方式，采集機(jī)車相關(guān)的各類數(shù)據(jù)，為標(biāo)簽形成和優(yōu)化提供基礎(chǔ)數(shù)據(jù)來源?；九_賬信息以靜態(tài)信息為主，數(shù)據(jù)內(nèi)容保持時間較長，數(shù)據(jù)采集比較容易。運(yùn)用信息、整備信息、檢修信息、專項整治信息和事故故障信息等數(shù)據(jù)為動態(tài)生產(chǎn)信息，基本涵蓋了機(jī)務(wù)系統(tǒng)日常運(yùn)輸生產(chǎn)中的所有環(huán)節(jié)，這些數(shù)據(jù)大多存儲于相應(yīng)的信息管理系統(tǒng)中，可以采用系統(tǒng)對接、人工轉(zhuǎn)儲等方式獲取。安全分析信息和質(zhì)量評價信息屬于綜合評價類數(shù)據(jù)，主要依據(jù)各項規(guī)章及行業(yè)專家意見獲得?？珙I(lǐng)域信息則是與機(jī)車有關(guān)的其他專業(yè)領(lǐng)域的數(shù)據(jù)，如天氣信息、地理信息、線路信息、供電信息等。

(2)標(biāo)簽庫層

標(biāo)簽庫層是利用數(shù)據(jù)采集層所提供的各類數(shù)據(jù)，按照標(biāo)簽體系結(jié)構(gòu)，生成能夠刻畫機(jī)車特征的各個標(biāo)簽。標(biāo)簽庫層包含“標(biāo)簽管理”“標(biāo)簽生成”“標(biāo)簽分析”“標(biāo)簽優(yōu)化”4個子層。

標(biāo)簽管理子層通過設(shè)計、審核、展示等多個標(biāo)簽管理環(huán)節(jié)，全過程服務(wù)于標(biāo)簽的生成、存儲、評估、優(yōu)化和調(diào)整。標(biāo)簽生成子層通過數(shù)據(jù)提取、統(tǒng)計和挖掘等手段，利用數(shù)據(jù)采集層提供的各類數(shù)據(jù)，形成能夠反映機(jī)車真實(shí)狀態(tài)的特征標(biāo)識，構(gòu)建機(jī)車設(shè)備畫像的3 級標(biāo)簽體系。標(biāo)簽分析子層是相關(guān)數(shù)據(jù)挖掘算法的集成，為標(biāo)簽生成、優(yōu)化和分析過程等提供算法支持。標(biāo)簽優(yōu)化子層是隨著數(shù)據(jù)的積累、業(yè)務(wù)的調(diào)整和生產(chǎn)制度的革新，通過與標(biāo)簽管理子層的實(shí)時聯(lián)動，運(yùn)用標(biāo)簽分析子層提供的相關(guān)分析算法，對標(biāo)簽體系進(jìn)行優(yōu)化和升級。

(3)標(biāo)簽應(yīng)用層

標(biāo)簽應(yīng)用層利用機(jī)車標(biāo)簽體系開展機(jī)車畫像分析及應(yīng)用。首先，通過單臺機(jī)車畫像的實(shí)現(xiàn)，全面、客觀、形象地刻畫機(jī)車的運(yùn)維特征和健康狀態(tài)。進(jìn)而，按照機(jī)車類型、所屬站段、擔(dān)當(dāng)線路等，實(shí)現(xiàn)機(jī)車類群的整體質(zhì)量把控。此外，還可以對機(jī)破、運(yùn)用故障、碎修、5 項專檢等關(guān)鍵標(biāo)簽進(jìn)行挖掘分析，以滿足故障處理、整備排班、更新改造等業(yè)務(wù)需要。

在有效地把握機(jī)車健康狀態(tài)的基礎(chǔ)上，還可以有針對性地調(diào)整機(jī)車的整備及檢修計劃，為機(jī)車由計劃性檢修向差異化檢修轉(zhuǎn)變，最終為實(shí)現(xiàn)狀態(tài)修提供必要的數(shù)據(jù)支撐和參考依據(jù)。同時，易于理解的畫像標(biāo)簽及相關(guān)分析還可以支撐機(jī)車運(yùn)輸組織管理和安全輔助決策等需求，實(shí)現(xiàn)機(jī)車數(shù)據(jù)應(yīng)用與生產(chǎn)管理之間的良性閉環(huán)。

2.2 標(biāo)簽體系

機(jī)車標(biāo)簽體系以單臺機(jī)車為基本單元，按照3級標(biāo)簽體系結(jié)構(gòu)，綜合利用機(jī)車各類生產(chǎn)數(shù)據(jù)，產(chǎn)生完整的機(jī)車畫像標(biāo)簽。

(1)一級標(biāo)簽

機(jī)車的一級標(biāo)簽體現(xiàn)機(jī)車設(shè)備畫像的基本刻畫維度，是機(jī)車的共有特征，數(shù)量固定，形式統(tǒng)一，可以梳理為基本信息、運(yùn)用質(zhì)量、整備質(zhì)量、檢修質(zhì)量和質(zhì)量評價等維度，如表1所示。

表1 機(jī)車標(biāo)簽體系的一級標(biāo)簽Table 1 First class labels of locomotive label system

(2)二級標(biāo)簽

機(jī)車的二級標(biāo)簽是對一級標(biāo)簽的細(xì)化，體現(xiàn)機(jī)車標(biāo)簽體系的管理及分析維度，數(shù)量及形式基本固定，涵蓋基本特征、運(yùn)用特征、運(yùn)行故障、整備重點(diǎn)、檢修重點(diǎn)、專項整治、運(yùn)維停時、質(zhì)量評價、安全分析等多個方面。機(jī)車標(biāo)簽體系的二級標(biāo)簽如表2所示。

表2 機(jī)車標(biāo)簽體系的二級標(biāo)簽詳情Table 2 Second class labels of locomotive label system

(3)三級標(biāo)簽

三級標(biāo)簽是反映機(jī)車具體狀態(tài)的個性化特征，是對二級標(biāo)簽具體內(nèi)容的明確，兼具使用價值和統(tǒng)計分析價值，不同機(jī)車的三級標(biāo)簽具體內(nèi)容不盡相同。

機(jī)車的三級標(biāo)簽主要有以下幾種獲取方式：

一是直接獲取。這類標(biāo)簽主要用來描述機(jī)車的固有屬性和基本特征，不需要過多的計算和處理便可以從數(shù)據(jù)庫中直接提取，如配屬時間、生產(chǎn)廠家、擔(dān)當(dāng)線別等。

二是統(tǒng)計計算。這類標(biāo)簽通過簡單的數(shù)量統(tǒng)計和邏輯運(yùn)算即可獲得，如故障類別及對應(yīng)數(shù)量等，多存在于動態(tài)行為類標(biāo)簽中，體現(xiàn)機(jī)車質(zhì)量的實(shí)時狀態(tài)。

三是挖掘分析。這類標(biāo)簽不能通過簡單的計算獲得，需要運(yùn)用聚類、分類、預(yù)測、關(guān)聯(lián)分析等多種數(shù)據(jù)挖掘算法，綜合分析機(jī)車產(chǎn)生的各類數(shù)據(jù)，從而形成能夠抽象描述機(jī)車某一維度的標(biāo)簽信息。其中，聚類分析方法應(yīng)用較多，在尚無法獲知標(biāo)簽具體內(nèi)容的類別劃分時，可以通過聚類算法挖掘分析機(jī)車相應(yīng)數(shù)據(jù)，得到準(zhǔn)確的標(biāo)簽類別。

3 標(biāo)簽生成的聚類算法

如上所述，機(jī)車的3級標(biāo)簽大多通過聚類方法獲得，而經(jīng)典的K-means聚類算法存在聚類效果過于依賴初始化中心的問題。通過改進(jìn)初始質(zhì)心的選取方式，可以改善聚類效果，提高聚類效率。

3.1 K-means算法

K-means 算法是基于距離的聚類算法[10]，采用距離作為相似性的評價指標(biāo)，以最小化誤差函數(shù)為基礎(chǔ)將數(shù)據(jù)劃分為預(yù)先設(shè)定的K個類別，每個類別由距離靠近的對象組成，算法把得到緊湊且獨(dú)立的簇作為最終目標(biāo)。K-means算法的基本流程如下：

Step 1 對于共有n個樣本的數(shù)據(jù)集U={x1,x2,…,xn} ，隨機(jī)選取K個樣本作為初始的聚類質(zhì)心，表示為μi，其中，K≤n，i≤n，聚類類別表示為C={C1,C2,…,Ck} 。

Step 2 分別計算數(shù)據(jù)集中的每個樣本xi距離K個聚類質(zhì)心的距離，并將該樣本劃分到距離最小的聚類中心所對應(yīng)的類中。

Step 3 當(dāng)遍歷所有樣本點(diǎn)后，重新計算每個類別的聚類質(zhì)心，作為下一次聚類過程中所在類別的新的中心點(diǎn)，i≤K。

Step 4 重復(fù)Step 2 和Step 3，直到各個類別的聚類質(zhì)心不再變化。

對于歐式空間的樣本數(shù)據(jù)，以平方誤差和eSSE作為聚類的目標(biāo)函數(shù)，并作為衡量不同聚類效果的指標(biāo)[11]，表示為樣本點(diǎn)x到所在聚類類別Ci的聚類質(zhì)心μi間距離的平方和。當(dāng)eSSE值越小，表明聚類類別內(nèi)部的樣本越相似，最優(yōu)的聚類結(jié)果應(yīng)使得eSSE達(dá)到最小值。

K-means 算法具有快速、高效的計算優(yōu)點(diǎn)，但是，其聚類效果容易受到初始質(zhì)心的影響陷入局部最優(yōu)?？梢酝ㄟ^優(yōu)化初始質(zhì)心解決這一問題。

3.2 K-means算法的改進(jìn)

為避免K-means 算法的聚類效果陷入局部最優(yōu)，選取初始質(zhì)心時，質(zhì)心間的距離要盡可能的遠(yuǎn)。質(zhì)心優(yōu)化選取的基本思路為：

Step 1 從數(shù)據(jù)集U={x1,x2,…,xn} 中隨機(jī)選取一個樣本xi作為第1個聚類質(zhì)心μ1。

Step 2 計算每個樣本與當(dāng)前選定的聚類質(zhì)心的最短距離D(x)，并作為樣本被選取為下一個聚類質(zhì)心的權(quán)重值。某個樣本xi的D(xi)值越大，表示樣本xi被選取作為下一個聚類中心的概率越大；選擇D(xi)最大的樣本點(diǎn)成為下一個聚類質(zhì)心。

Step 3 重復(fù)Step 2直到選擇出K個聚類質(zhì)心。

當(dāng)選取出K個初始質(zhì)心后，則轉(zhuǎn)入K-means算法中Step 2～Step 3。

盡可能最大化地增大初始質(zhì)心點(diǎn)之間的距離，能顯著地改善最終結(jié)果的誤差。雖然選取初始質(zhì)心時會多花費(fèi)一些時間，卻能提高聚類過程的收斂速度和算法的穩(wěn)定性。

3.3 驗證比較

采用經(jīng)典的鳶尾花卉數(shù)據(jù)集(Iris Dataset)，分析比較上述兩種算法的聚類效果。K-means 算法的聚類效果如表3所示，改進(jìn)初始質(zhì)心選取方式后的聚類效果如表4所示。

表3 K-means算法對Iris數(shù)據(jù)集的聚類效果Table 3 Clustering effect of K-means algorithm on Iris data set

表4 改進(jìn)的聚類算法對Iris數(shù)據(jù)集的聚類效果Table 4 Clustering effect of improved K-means algorithm on Iris data set

通過比較可知，改進(jìn)初始質(zhì)心的選取方式，聚類的平均準(zhǔn)確率由62.67%提升到89.33%，準(zhǔn)確率和穩(wěn)定性均有較大幅度提升。

4 案例研究

基于機(jī)車設(shè)備畫像標(biāo)簽體系和標(biāo)簽獲取方式，利用某鐵路局2019年全年積累的機(jī)車生產(chǎn)數(shù)據(jù)，產(chǎn)生完整的機(jī)車畫像3級標(biāo)簽。

4.1 K-means改進(jìn)算法的應(yīng)用

以該鐵路局2019年1月-12月共計59112條“機(jī)車整備時長”數(shù)據(jù)為例，應(yīng)用K-means改進(jìn)算法，對機(jī)車“整備質(zhì)量”(一級標(biāo)簽)下的“整備時長”(二級標(biāo)簽)進(jìn)行聚類分析，形成相應(yīng)的3級標(biāo)簽類別。

在進(jìn)行聚類分析時，首先需要確定聚類類別K的值。在尚不明確數(shù)據(jù)分布的情況下，往往較難確定某個3級標(biāo)簽的實(shí)際類別數(shù)。因此，需要根據(jù)業(yè)務(wù)實(shí)際和歷史數(shù)據(jù)，比較不同K值下的聚類效果，選取適合的K值。

聚類樣本總的eSSE值會隨著K值的增大而逐漸減小。當(dāng)K的取值偏小時，eSSE值會隨著K的增大而快速降低；當(dāng)K的取值較大時，eSSE值會隨著K的增大轉(zhuǎn)為緩慢下降的趨勢。“整備時長”的eSSE值與K值的關(guān)系如圖3所示。

圖3 某鐵路局機(jī)車整備時長eSSE 值與K 值的關(guān)系Fig.3 Relationship between eSSE and K of clustering of locomotive maintenance time in a railway bureau

由圖3可知，當(dāng)K=4 時，eSSE值開始變?yōu)榫徛陆第厔?，因此，可以根?jù)業(yè)務(wù)需要，將機(jī)車“整備時長”下分為4 個3 級標(biāo)簽。具體聚類結(jié)果如表5所示。

表5 某鐵路局機(jī)車整備時長在K=4 時的聚類結(jié)果Table 5 Clustering result of locomotive maintenance time of a railway bureau when K=4

根據(jù)聚類結(jié)果，同時結(jié)合生產(chǎn)實(shí)際，可將標(biāo)簽1 記為“整備時長正?！保硎菊麄渥鳂I(yè)時間符合作業(yè)規(guī)范要求；標(biāo)簽2 的數(shù)據(jù)量占比59.45%，可將這一特征記為“整備時長略長”，表示機(jī)車的整備時間基本符合作業(yè)需要，稍有耗時；標(biāo)簽3則記為“整備時長較長”，表示整備作業(yè)時間已超出正常作業(yè)的時間規(guī)范；標(biāo)簽4 按照聚類情況記為“整備時長過長”，表示整備作業(yè)時間過長，已影響到機(jī)車整備效率。

按照此方法，對全局的機(jī)車在“機(jī)車日走行”“機(jī)破件數(shù)”“碎修件數(shù)”“整備時長”“性能試驗問題件數(shù)”等多個標(biāo)簽維度進(jìn)行聚類分析，并對相應(yīng)的3級標(biāo)簽賦予具體內(nèi)容。

4.2 機(jī)車完整標(biāo)簽體系的產(chǎn)生

隨機(jī)選擇該局的1 臺機(jī)車，通過直接提取、統(tǒng)計分類、聚類分析等方法，產(chǎn)生該臺機(jī)車具體的3級標(biāo)簽，形成完整的機(jī)車設(shè)備畫像標(biāo)簽體系，如圖4所示，其中出于數(shù)據(jù)安全考慮已對部分?jǐn)?shù)據(jù)做脫敏處理。

圖4 某鐵路局某臺機(jī)車的標(biāo)簽體系Fig.4 Label cluster of a locomotive in a railway bureau

結(jié)合該局的實(shí)際生產(chǎn)管理情況，以月度為時間單位，對機(jī)車的3 級標(biāo)簽進(jìn)行更新，得到機(jī)車不同月份的畫像標(biāo)簽。只需將更新數(shù)據(jù)與不同類別的數(shù)據(jù)區(qū)間進(jìn)行比較，得到相應(yīng)的新的3級標(biāo)簽。此外，為保證聚類結(jié)果的準(zhǔn)確有效，還應(yīng)該結(jié)合行業(yè)專家意見、業(yè)務(wù)應(yīng)用需要、數(shù)據(jù)積累情況、服務(wù)器處理能力等因素，及時調(diào)整機(jī)車3級標(biāo)簽的類別劃分和含義描述，實(shí)現(xiàn)機(jī)車標(biāo)簽體系的全生命周期管理和動態(tài)優(yōu)化。

5 結(jié)論

本文針對鐵路機(jī)務(wù)專業(yè)在大數(shù)據(jù)應(yīng)用中的現(xiàn)實(shí)需要，提出運(yùn)用畫像及標(biāo)簽技術(shù)，構(gòu)造客觀、全面的機(jī)車標(biāo)簽體系，通過機(jī)車設(shè)備畫像實(shí)現(xiàn)精準(zhǔn)的質(zhì)量分析及高效的安全管控。運(yùn)用機(jī)車設(shè)備畫像的概念及與標(biāo)簽的理論關(guān)系，針對機(jī)車質(zhì)量管理、差異化檢修、安全輔助決策等應(yīng)用場景，設(shè)計機(jī)車設(shè)備畫像標(biāo)簽體系技術(shù)架構(gòu)，闡述技術(shù)架構(gòu)由數(shù)據(jù)采集到標(biāo)簽生成再到標(biāo)簽應(yīng)用的內(nèi)在邏輯和流程，以及標(biāo)簽體系的管理、分析及優(yōu)化方式；具體介紹機(jī)車標(biāo)簽體系的3 級結(jié)構(gòu)、標(biāo)簽類型、標(biāo)簽內(nèi)容和獲取方法。特別針對聚類標(biāo)簽的獲取方式，通過改進(jìn)K-means算法初始質(zhì)心的選取方法，將聚類的準(zhǔn)確度由62.67%提升到89.33%。

在某鐵路局開展機(jī)車設(shè)備畫像理論的實(shí)際應(yīng)用，獲得多個標(biāo)簽維度下具體的3 級標(biāo)簽內(nèi)容，形成完整的機(jī)車標(biāo)簽體系，實(shí)現(xiàn)為機(jī)車精準(zhǔn)畫像的目的，為開展機(jī)車類群畫像、指標(biāo)分析、運(yùn)維優(yōu)化和安全管控打下基礎(chǔ)。