本发明涉及数据处理，具体涉及一种铁路公路物流运输信息综合管理系统。
背景技术：
1、随着全球化的发展和经济快速增长的趋势，物流运输是国民经济中非常重要的一环，可以直接或间接地影响国民经济的发展和整体效能，通过运输货物和物流信息，连接着生产和销售的各个环节，为经济发展提供了重要保障。尤其是港口码头的发展，通过将外煤、外矿通过海运抵达港口码头，再通过铁路、公路物流到达各个目的地，实现公路、铁路、码头联运物流运输通道，降低物流成本，提升物流效率。
2、随着科学技术的发展，为了提升网络运营能力与客户服务能力，打造装卸、堆场、仓储、运输、加工及配送一体化的社会化的运营服务体系，通过数据信息技术，实现对不同环节的信息进行全面地、系统化的管理，提高物流运输链的效率、可控性和透明度。其中物流车联网技术可以实现港口的火车、集装箱卡精准定位车以及港口的堆场轨道吊的自动化远程控制、集装箱识别等应用，帮助管理者随时了解车辆以及港口的状况信息，可以大大提高物流运输信息化效率和安全性。
3、然而随着港口物流业的快速发展，各个物流环节产生的数据量会急剧增加，包括物流运输过程中的港口状态数据、车辆行驶数据、运输货物数据等多维度数据，这些数据量庞大且分散，对传输带宽以及存储空间要求相对较高。因此为了更好地应用车联网技术，对数据的实时处理和传输要求也越来越高。在此背景下，数据压缩技术就显得尤为重要。现在传统的车联网数据的压缩算法采用基于预测的压缩算法，其中通过对时间序列的数据进行预测模型的构建得到预测数据，并对预测误差处理实现压缩。
4、其中arima模型是常用的预测模型，而在该预测模型的建模过程中，由于数据的非平稳影响，会严重影响到的模型的构建和预测误差的分析，因此构建模型过程中差分阶数的设置决定着非平稳数据到平稳数据的转换，使其可以满足建立时间序列模型的要求。因此本案根据采集的车联网数据的不同维度下时间序列分布特征，考虑维度之间的综合影响，进而获取每个时间序列下的差分阶数大小，进而保证模型的构建准确，进而提高数据的压缩率大小，保证铁路公路物流运输信息综合管理系统的信息存储的高效性。
技术实现思路
1、本发明提供一种铁路公路物流运输信息综合管理系统，以解决现有的问题。
2、本发明的一种铁路公路物流运输信息综合管理系统采用如下技术方案：
3、本发明一个实施例提供了一种铁路公路物流运输信息综合管理系统，该系统包括以下模块：
4、传感器数据采集模块：获取历史数据和当前数据的每个维度数据；
5、数据特征分析模块：对历史和当前的所有维度数据进行分段得到每个维度的若干分段；
6、第一聚类模块：根据每个维度的所有分段的代表值对每个维度的分段进行聚类得到每个维度的若干个第一聚簇；
7、单向关系程度计算模块：将任意一个维度记为第一目标维度，将第一目标维度的任意一个第一聚簇记为目标第一聚簇，根据其他维度的分段与第一目标维度的分段获得第一目标维度在目标第一聚簇下的所有强相关维度；
8、将第一目标维度的任意一个强相关维度记为目标强相关维度，根据目标第一聚簇中的且属于目标强相关维度上的分段，获得第一目标维度与目标强相关维度在目标第一聚簇下的单向关系程度；根据单向关系程度获得第一目标维度的最终单向关系程度；
9、第二聚类模块：根据最终单向关系程度获取单向关系维度，根据属于单向关系维度的所有分段按照分段代表值进行聚类得到若干个第二聚簇；
10、自适应差分确定模块：将当前数据中任意一个分段且属于第二聚簇分段记为待计算分段，根据待计算分段确定目标维度，根据待计算分段中的数据点在目标维度和强相关维度的变化量，获得待计算分段中每个强相关维度对目标维度的影响值；根据影响值获取待计算分段的影响权重值；根据待计算分段的影响权重值、待计算分段的差异得到目标维度的自适应差分阶数；
11、数据压缩模块：根据所有维度的自适应差分阶数进行arima模型的构建进行压缩。
12、进一步地，所述对历史和当前的所有维度数据进行分段得到每个维度的若干分段，包括的具体步骤如下：
13、通过stl时间序列分割算法获取每次物流运输过程中所有维度的趋势项数据，根据任意一个维度下获取的物流运输过程中的趋势项数据计算每个时间点的趋势项数据的斜率值，即任意一个时间点和前一个时间点的连线的斜率值，第一个时间点的斜率值设置为0，若任意一个时间点的趋势项数据的斜率值与前一个时间点的趋势项数据的斜率值的差值的绝对值大于预设斜率阈值时，则将维度中的该时间点作为分段点，获得所有维度分段点，将所有维度的分段点作为每次物流运输过程的每个维度数据的最终分段点。
14、进一步地，所述根据其他维度的分段与第一目标维度的分段获得第一目标维度在目标第一聚簇下的所有强相关维度，包括的具体步骤如下：
15、计算第个聚簇的所有分段中每一个分段的第个维度与第个维度之间的相关系数的绝对值，进而得到第个聚簇的所有分段中第个维度与第个维度之间的相关系数的绝对值的均值，记为相关性系数，当大于预设相关系数阈值时，则第个维度在第个聚簇中和第个维度是强相关的，获得第个聚簇中与第个维度强相关的所有维度组成的维度集合。
16、进一步地，所述根据目标第一聚簇中的且属于目标强相关维度上的分段，获得第一目标维度与目标强相关维度在目标第一聚簇下的单向关系程度，包括的具体步骤如下：
17、
18、式中，表示根据第个维度的进行聚类的聚簇的数量；表示聚簇结果中第个聚簇的聚类中心与第个聚簇的聚类中心之间的欧式距离；表示所有聚簇结果中两个聚簇的聚类中心之间的欧式距离的最大值；表示第个聚簇中且属于第个维度上的分段，即目标第一聚簇中的且属于目标强相关维度上的分段，表示第个聚簇中且属于第个维度上的分段；表示和的距离均值；表示以自然常数为底数的指数函数，表示第个聚簇中的第个维度与第个维度之间单向关系程度。
19、进一步地，所述根据单向关系程度获得第一目标维度的最终单向关系程度，包括的具体步骤如下：
20、
21、式中，表示根据第个维度的进行聚类的聚簇的数量，表示第个聚簇中与第个维度具有强相关性的维度数量；表示第个聚簇中所有分段的第个维度与第个强相关性维度之间的相关性系数；表示第个聚簇中的第个维度与第个维度之间单向关系程度；表示第个维度的最终单向关系程度。
22、进一步地，所述根据最终单向关系程度获取单向关系维度，包括的具体步骤如下：
23、获取所有维度的最终单向关系程度，对其进行线性归一化处理，将最终单向关系程度大于预设程度阈值的维度作为单向关系维度。
24、进一步地，所述根据待计算分段中的数据点在目标维度和强相关维度的变化量，获得待计算分段中每个强相关维度对目标维度的影响值，包括的具体步骤如下：
25、
26、式中，表示第个分段所在聚簇中除第个分段外的分段数量；表示聚簇中第个分段下数据点总个数，第个分段记为待计算分段；表示第个分段中第个数据点与前一个数据点在第个强相关维度下的变化量，表示第个分段中第个数据点与前一个数据点在目标维度下的变化量，也表示待计算分段中的数据点在目标维度和强相关维度的变化量；表示与目标维度具有强相关维度中的第个维度对目标维度的影响值。
27、进一步地，所述根据影响值获取待计算分段的影响权重值，包括的具体步骤如下：
28、
29、式中，表示第个分段受到的影响权重值；表示与目标维度具有强相关性的维度总数量；表示与目标维度和具有强相关性的维度中第个维度的相关性系数；表示与目标维度具有强相关性的维度中的第个维度对目标维度的影响值；表示函数。
30、进一步地，所述根据待计算分段的影响权重值、待计算分段的差异得到目标维度的自适应差分阶数，包括的具体步骤如下：
31、
32、式中，表示第个分段所属目标维度的自适应获取的差分阶数，表示第个分段所属目标维度的数据方差值，即待计算分段的差异；表示第个分段受到的影响权重值，即待计算分段的影响权重值；表示第个分段所属目标维度的差分阶数的超参数值；表示对向上取整。
33、本发明的技术方案的有益效果是：本实施例中为了保证铁路公路物流运输信息综合管理系统的信息存储的高效性，采用基于预测的压缩算法对车辆网数据进行数据压缩，在压缩过程中为了获取准确的arima预测模型，对非平稳数据转换为平稳数据的过程中的差分阶数进行自适应获取。其中根据维度数据的趋势分布特征对当前物流过程中的不同维度的数据进行区分。并且在计算目标维度对不同维度的影响关系时，通过聚类分析获取维度中的单向关系的维度特征，使得聚类结果的分段数据不会受到呈现单向关系维度数据的干扰，使得后续在同一个聚类结果中分析非单向关系的影响程度值更加准确，再综合考虑结合分段中维度数据的自相关性进而得到准确的差分阶数。避免了传统的arima模型的构建的过程中设置的差分阶数不合理造成的平稳数据序列转换过程中造成的错误结果，丢失较多的信息的缺点，进而保证模型的构建准确，进而提高数据的压缩率大小，保证铁路公路物流运输信息综合管理系统的信息存储的高效性。