基于Tableau的鐵路軌道檢測數據分析

曾祥富

（武漢鐵路職業技術學院，武漢 430205）

工務軌道檢測數據包括動態檢測數據和靜態檢測數據。檢測數據管理包括數據采集、預處理、入庫集成和智能化展示[1]。目前，國內鐵路檢測數據分析主要依托工務安全生產管理信息平臺，形成相對固化的數據采集處理分析模式[2]。

1 傳統分析模式分析

而隨著數字化發展，軌檢數據分析已不滿足于簡單的數據統計和報表生成，更需要擁有豐富的可視化、自動分析甚至智能洞察功能。而數據分析人員也面臨著大量的本地數據需要處理、多種維度不同層次參與分析及不斷變化的業務需求等問題。傳統定制模式下的軌道檢測數據分析面對這些問題時存在著明顯不足。

1.1 部署開發周期過長

目前國鐵集團范圍內使用的工務安全生產管理系統功能齊全，體系龐大，但需求更改、功能完善流程繁瑣、周期漫長。通常工務部門提出分析需求，軟件開發人員需要首先理解業務，再根據需求進行建模制表，如果系統過于龐大、使用人數太多，開發者需要權衡需求變更對其他用戶的影響及對整個系統其他功能的影響。因而其不能適應快速變化的業務需求，特別是自定義式數據分析要求。

1.2 需增強問題研究和層次分析

傳統的數據分析，基本上是被動滿足分析需求，或受限于工具。主要表現為，一是對問題的解析不夠，思考不夠，很難超越單一圖形，未深入對數據進行鉆取。二是缺少結構化思維、層次思維，以致于分析不成體系。比如軌檢數據分析得出線路質量穩中有升，而添乘晃車數據顯示質量下滑，兩者結果不能有效印證。比如在分析各線路區段軌道不平順質量指數（Track Quality Index，TQI）對比的同時，未引入不同大機搗固車隊作業的比例信息。

1.3 數據洞察驗證不足

一是規律洞察不夠。傳統的三圖一表仍是主要的分析方式。所謂三圖一表，即條形圖、折線圖、餅圖和交叉表。而大數據分析通常強調大數據樣本的宏觀特征、分布規律和相互關系，對應的直方圖、盒須圖和散點圖等高級圖形應用較少。二是數據交互不足。閱讀者經常只能被動地接受分析結果，而不同的決策層所關注的重點又有所不同，對比的層次也不盡相同，這時候就需要一些假設性檢驗，所以也需要更多的交互。

1.4 展示違背可視化原理

工務系統數據分析工作者大多都不太注重可視化原理運用，對圖表選擇、可視化展示較為隨意，分析報告不能符合表達分析邏輯。比如在條形圖和柱狀圖選擇上不區分變量類型，在表示時間趨勢的折線圖和表示占比關系的餅圖中分析對象過多。

Tableau作為一款數據可視化分析工具，獨創VizOL技術，具有SQL查詢的綜合性功能，操作簡單，易于上手，能夠滿足業務人員常規數據分析需求，同時通過可視化增強分析手段，能夠快速形成輔助決策的圖形依據[3]。為彌補傳統數據分析方案的不足，適應自定義數據分析需求，筆者提出基于Tableau的工務檢測數據自定義式可視化管理解決方案。

2 基于Tableau Prep的數據治理

2.1 本地數據規范管理

在軌道檢測數據分析中存在大量本地Excel表，需要對這些數據進行規范管理、規范記錄。

2.1.1 理清明細表與匯總表的關系

匯總表中通常存在多行表頭，要大量合并單元格，這在進行數據分析時需要對單元格進行拆分才能進一步地篩選或者作數據透視處理。而數據分析時需要的是1張二維明細表，其應符合以下原則：①每一行應是1條單獨的記錄。每一條記錄根據其特性不應重復。②每一條單獨記錄應是完整的不可拆分的單元，一個完整的業務流程。③每一列代表1個單獨屬性，盡量避免大寬表。④盡量保證數據記錄完整，杜絕合并單元格，刪除多重表頭。標題不能為空、不能重復，盡量不要用數字作為標題。⑤數據字段應包含關鍵字段，即數據庫各表中的主鍵字段，比如記錄設備狀態信息，那么不同表數據的關聯可以選擇設備編號作為主鍵。⑥明細表中應避免計算引用過多，導致表格打開過慢。明細表中不使用數據有效性、條件格式和數組公式等。

2.1.2 規范數據管理記錄格式

1）規范本地數據文件命名。統一按照結構門類制定命名規則。

2）規范日期文本記錄方式。日期應統一采用“XXXX年XX月XX日、XXXX/XX/XX、XXXX-XX-XX”，文本內容中間盡量不留空，字段意思不重復。

2.2 基于Tableau Prep的數據處理

采用Tableau Prep對數據進行字段清理和結構調整。其中字段清理包括對里程信息進行校正、不同數據類型格式調整和無效字段剔除等。結構調整包括對不同數據表進行并集、連接操作，按照不同層次進行預先聚合等。Tableau Prep對軌檢車檢測原始數據進行預處理如圖1所示。

圖1 利用Tableau Prep對軌道檢測數據進行預處理（截圖）

3 基于Tableau Destktop的可視化分析

工務檢測數據分析應當是基于可視化的自定義分析。可按以下路徑來實現。

3.1 基于業務合理構建圖形

軌道檢測數據可視化分析應遵從基本的可視化原理。一是依據視覺前意識屬性選擇數據表達的方式。所謂視覺前意識，即人類感受視覺信號的強弱，通常的敏感程度為：位置大于長度或顏色大于角度大于形狀改變大于顏色的遞減。二是服從基于可視化原理總結出的圖形選擇的一般規律。比如在研究某一區段TQI隨時間變化趨勢時，可以選擇柱狀圖和折線圖，但這兩者之間是有區別的。如果觀測的時間是離散型變量，比如1月、3月、5月和7月這樣的時間序列，且表達的數量不超過12個時，可以選擇柱狀圖。但是如果觀測的時間是連續性變量，比如1月15日、2月21日和3月24日，觀測的時間點甚至多于12個時，則優先選擇折線圖。軌道檢測數據分析圖形選擇建議見表1。

表1 不同數據關系對應的圖表選擇

3.2 運用結構化思維洞察數據規律

工務軌檢數據結構化分析思維主要是針對軌檢車檢測的幾何參數（軌距、水平、三角坑、高低和方向）、舒適度指標（橫向加速度、垂向加速度）及輔助評價參數（TQI、T值報表）等進行分析[4]。從統計學角度來說，主要是運用了應用統計學中描述性統計學和推斷統計學內容進行分析，并將其歸類于峰值指標、均值指標和軌道功率譜分析。這是根據數據本身特點，運用統計學基礎知識對軌道檢測數據的利用基本分析，對軌檢車檢測數據結構本身進行多維度拆解分析。

但對生產組織管理者來說，還需要引入生產元素層次，真正實現利用軌檢數據指導生產[5]，將軌檢數據分析納入“檢查—分析—計劃—作業—驗收”這個閉環管理的大的結構層次，見表2。

表2 不同生產環節軌檢分析內容

結構化分析應超越單一圖形本身，從多個角度分析業務，分析不同問題之間的結構相關性。可以通過標記、參考線、分布區間和儀表板互動來實現，高級的結構化分析則是在一個視圖中引入多個層級的聚合。

3.2.1 利用顏色增加結構分析層次

如需要比較各條線TQI在不同年份的差異。可以通過顏色增加分析層次。如圖2所示。

圖2 通過增加差異列及顏色方式增加分析層次

3.2.2 利用形狀增加分析層次

在Tableau中利用標記的形狀可視化增強方式來增加分析層次。如圖3所示。

圖3 不同軌道單元TQI通過長方形大小區分

3.2.3 利用參考線、參考區間和分布區間等增加對比分析層次

在軌檢目標達成分析中可引入參考線等增加分析層次。

3.3 通過高級交互探索信息呈現

高級交互主要是在進行數據分析時，通過樣本控制、假設驗證等手段洞察軌道檢測數據的異常及規律。比較常見的是數據鉆取與追蹤分析。

3.3.1 數據鉆取

現有不同類型線路TQI值數據，將2021年TQI值與TQI目標值進行對比。由圖4可見，會認為繁忙干線、干線及支線TQI均超標了。但再引入TQI差值匯總對比維度，就會發現在支線里還有2021年TQI小于目標值的線路。

圖4 引入不同層次發現明細差異

3.3.2 追蹤分析

在分析某些區段時，需要動態觀察這些區段的變化情況，特別是追蹤分析一些大值區段。由圖5可知，追蹤TQI最后5名設備單元，可以看到武穴蔡山160區段設備在2013年8月以后設備質量明顯改善，可深度分析是否對該設備單元進行綜合整治。

圖5 追蹤不同設備單元變化趨勢

4 結束語

總結規律、發現異常和預測趨勢是數據分析的主要目的，交互驗證分析是以Tableau為代表的敏捷BI與傳統分析的最大區別。工務軌道檢測數據分析應從業務出發，基于實際問題的解決，運用數理統計知識、結構化思維方式對數據進行深度有效挖掘，以適應工務軌檢數據輔助決策的要求。