基于客户特征机器学习的铁路货运差异化服务匹配方法研究

Differentiated Service Matching Method of Railway Freight Based on Customer Characteristic-Oriented Machine Learning

摘要

随着国民经济发展及运输结构调整不断深入，铁路货运客户需求特征更加多样化，如何将运力资源向优质客户倾斜，进一步提升客户满意度和铁路效率效益是亟需研究的方向。铁路95306整体升级，实现了货运集中办理，为客户精细化分析与差异化服务提供了重要支撑。研究提出基于大数据的客户画像特征分析方法，构建基于贡献度、诚信度、潜在价值和附加价值的客户分级评价模型，并构建基于机器学习的客户差异化货运服务匹配方法，提出基于客户价值和不同客户需求特征的货运服务方案。以上海局集团公司为例，从贡献度、经济性、时效性对客户需求进行聚类分析，通过分级评价将客户分为核心、重点和一般客户，并提出货运服务匹配方案，为提供针对性、差异化的客户关怀与服务策略提供参考。

Abstract

With the continuous development of the national economy and the deepening of transportation structure adjustment, the customer demand characteristics of railway freight are becoming more diverse. How to allocate transportation resources towards high-quality customers and further improve customer satisfaction and railway efficiency and benefits is an urgent research direction. 95306 China Railway was upgraded comprehensively, realizing centralized freight handling and providing important support for the refined analysis and differentiated service of customers. This paper proposed a feature analysis method of customer portraits based on big data, developed a customer grading evaluation model based on contribution degree, credibility, potential value, and added value, and constructed a customer-oriented differentiated freight service matching method based on machine learning. It also proposed freight service solutions based on customer value and different customer demand characteristics. By analyzing Shanghai Branch, this paper conducted a cluster analysis of customer needs based on contribution degree, economic efficiency, and timeliness. The paper then classified customers into core, key, and general categories through a hierarchical evaluation system and proposed freight service matching solutions, offering support for providing targeted and differentiated customer care and service strategies.

Graphical abstract

关键词

客户特征 / 客户分级 / 铁路货运 / 差异化服务 / 匹配方法

Key words

Customer Characteristic / Customer Classification / Railway Freight / Differentiated Service / Matching Method

0　引言

国外铁路客户管理的核心是向大客户提供服务，如德国、美国、加拿大等国家，其铁路货运营销大体符合80/20策略，将货运营销工作的重点放在大客户身上，且建设现代化货主服务中心，针对客户服务需求提供差异化、定制化方案^[1]。铁路95306整体升级后，铁路货运业务基本集中到网上办理，集中办理涉及铁路营销体系和客户服务方式的重大变革，强化了营销服务和运力资源的有机衔接^[2]。然而，随着运输结构调整深入，客户需求更加多样化，铁路货运服务仍然存在对客户需求掌握不清，难以提供针对性的客户关怀，且在运能紧张时难以提供均衡运力资源，存在客户流失风险等情况^[3]，亟待针对不同客户的价值和需求特征提供差异化的运力资源倾斜及货运产品服务^[4]。

本研究采用大数据分析手段对铁路货运客户的发运数据进行充分挖掘，对不同肖像特征客户进行多尺度细分，为客户添加动态标签^[5]，输出客户对于时效性、经济性、运力保障等运输需求特征；依据客户对铁路的贡献，从当前价值、忠诚度、潜在价值等维度提出客户分级评价方法，输出核心客户、重点客户、一般客户等客户评级；以运力资源优先向优质客户、亟需客户倾斜为原则，提出铁路货运产品及服务动态优化匹配方法；依据客户价值评级与多维度的运输需求，提出多样化产品、差异化货运服务方案。从而实现针对重要客户“一客一策”的客户挽留与培育方案，促进铁路货运提质增效^[6]。

1　铁路货运差异化服务匹配技术

1.1　客户画像绘制技术

随着社会经济不断发展，铁路货运品类不断拓展，由传统的大宗货物运输为主逐步向大宗与白货共同发展，铁路货运客户需求特征也更加多样化，对铁路货运服务不断提出更高要求^[7]。客户特征及运输需求主要可以归纳为以下维度。

（1）从客户基本属性看，客户可以分为不同行业、不同区域、不同类型(生产企业、销售企业、物流公司、货代公司)等。

（2）从运输需求特征看，可以分为经济型、时效型、运力保障型、服务优先型等。根据客户对于货运产品、运到时限的需求，以及对运价敏感度等方面进行判断。

（3）从对铁路贡献度看，可以分为高价值客户、低价值客户等。根据客户在铁路的发送量、货物周转量、收入等关键指标进行分级评价。

（4）从忠诚度看，可以分为高忠诚度、低忠诚度客户等。根据客户的淡季运量、铁路运输份额、订单兑现率、发货频率等指标进行判断。

（5）从潜在价值看，可以分为高潜在价值、低潜在价值客户等。按照客户产能、营收、下阶段铁路计划运量等指标综合判断。

（6）从发货规律看，可以分为运量逐渐增加、运量逐渐减少、运量基本稳定、运量随季节波动、无规律发货等客户。

（7）从转移价值来看，可以分为高转移成本客户、低转移成本客户等。根据客户的铁路专用线建设情况、专用设备投入成本等进行判断。

（8）从客户流失风险看，可以分为流失客户、新增客户、稳定客户等。

根据以上维度，对客户不同运输需求特征进行分类、识别，从而绘制货运客户需求特征画像图。铁路货运客户肖像绘制如图1所示。由此可见，基于大数据对客户特征和运输需求进行深度挖掘分析，精细化描绘客户多维肖像特征，从而提供针对性、差异化服务，以期进一步提升客户满意度，助力货运提质增效^[8]。

1.2　客户分级评价方法

近年来，随着高速铁路快速发展，释放部分既有线运力，但铁路货运仍然存在季节性、区域性运力紧张的情况。因此，需要对既有客户进行分级评价，在运力紧张时，优先满足核心大客户，以及忠诚度较高的客户需求^[9]。一方面，能够将有限运力资源提供给优质大客户，提升铁路货运效率效益；另一方面，也能提升客户的黏着度和信誉度，从而维护稳定的客户关系。根据指标的重要性、可度量和易获取等原则，从贡献度、忠诚度、潜在价值和附加价值4个维度构建客户综合评价体系。客户综合评价指标体系如图2所示。其中，贡献度主要选取客户发运量、货物周转量和收入3个核心指标；忠诚度主要选取需求兑现率、发货频率、淡季支持率、铁路市场份额4个指标；潜在价值主要选取下阶段计划运量、产量预估2个指标；附加价值主要考虑企业专用线建设情况，以及对铁路的配合度等，附加价值需要由营销人员根据实际情况对客户进行评判。

1.3　基于客户贡献度及需求特征的货运服务匹配方法

识别客户的肖像特征，对客户进行分类评价，目的都是为客户提供更具针对性的差异化服务方案^[10]。根据客户的需求特征、客户分级标准，以及客户流失风险等情况，提出差异化货运服务匹配方法。差异化服务匹配方案如图3所示，货运服务匹配顺序如下。

（1）首先根据客户的分级评价结果对客户提供倾向性服务，将铁路的“运力保障”“运价浮动”“货运产品”均分为A，B，C档，按照“核心客户-重点客户-一般客户”的顺序对客户进行运力资源分配。

（2）在此基础上，每个级别的客户按照客户自身特征及需求再划分运力配置先后顺序，如时效型客户给予时效优先保障，经济型客户给予运价优惠浮动，贡献度高客户优先给予运力资源和增值服务保障等。

（3）此外，流失客户给予必要的运力资源、运价策略及时效保障倾斜，从而挽留流失客户^[11]。

（4）最后，同样级别、需求的客户遵循先到先得原则。

在模型计算分配基础上，必要时需进行适当的人工干预调整，如对于特殊急难险重的客户需要特殊服务，保障其运输需求等。

2　机器学习算法

2.1　聚类分析法

首先需对不同客户的特征进行深度分析，将特征相似客户进行整合，从而识别客户核心需求，为提供差异化服务提供依据。K均值(K-Means)聚类算法是一种数据分类方法，该算法具有简单性、高效性和适用性，在市场细分领域应用广泛^[12]。因此，应用K-Means聚类算法对客户特征进行识别、分析。客户特征聚类分析方法流程如图4所示。客户特征聚类分析具体计算方法原理如下。

（1）计算距离矩阵。首先对初始数据进行标准化，计算每个数据点之间的欧氏距离，生成距离矩阵D。给定数据集X=（x_{\mathrm{1}}，x_{\mathrm{2}}，\dots ，x_n），每个数据点x_i与其他点x_j的欧氏距离定义为

D(i，j)=‖x_i-x_j‖=\sqrt[]{{\displaystyle \sum _{k=\mathrm{1}}^m}(x_{ik}-x_{jk}{)}^{\mathrm{2}}}⑴

式中：D\left(i,j\right)为点x_i和x_j之间的距离；x_{ik}和x_{jk}分别为点x_i和x_j在第k个维度的值；m为数据的特征维度。

局部密度{\rho }_i衡量每个数据点周围数据点的密集程度。使用高斯核函数计算局部密度，定义如下。

{\rho }_i={\displaystyle \sum _{j=\mathrm{1}}^n}\mathrm{e}\mathrm{x}\mathrm{p}(-\frac{D{(i，j)}^{\mathrm{2}}}{\mathrm{2}{\sigma }^{\mathrm{2}}})⑵

式中：\sigma为高斯核函数的带宽参数，通常可以用距离矩阵的中值或标准差来估计；D\left(i，j\right)为数据点x_i和x_j之间的欧氏距离；n为数据点的个数。

公式⑵表示每个点的局部密度{\rho }_i，即点x_i的密度取决于其周围点与它的距离。距离越近的点对密度的贡献越大。

（2）计算斥类值。斥类值{\delta }_i衡量点x_i与比它局部密度更高的点之间的最小距离。若没有比当前点密度更高的点，则{\delta }_i为该点到其他所有点的最大距离。公式定义如下。

{\delta }_i=\left\{\begin{array}{cc}\underset{j:{\rho }_j>{\rho }_i}{\mathrm{m}\mathrm{i}\mathrm{n}}D(i,j)& {\rho }_j>{\rho }_i\\ \underset{j}{\mathrm{m}\mathrm{a}\mathrm{x}}D(i,j)& {\rho }_j\le {\rho }_i\end{array}\right.⑶

式中：{\delta }_i为斥类值，用以结合点的局部密度和其在数据分布中的位置。

（3）选择初始聚类中心。通过结合局部密度{\rho }_i和斥类值{\delta }_i，选择聚类中心点。选择的依据是{\rho }_i\cdot {\delta }_i的乘积{\gamma }_i，公式为

{\gamma }_i={\rho }_i\cdot {\delta }_i⑷

（4）执行K-means聚类。使用前一步选出的k个聚类中心作为K-means聚类的初始中心，执行K-means聚类算法。K-means聚类的目标是通过最小化簇内平方误差WCSS来优化聚类结果，公式如下。

WCSS={{\displaystyle \sum _{k=\mathrm{1}}^K}\sum _{x_i\in C_k}‖x_i-{\mu }_k‖}^{\mathrm{2}}⑸

式中：C_k为第k个簇；{\mu }_k为第k个簇的中心点；{‖x_i-{\mu }_k‖}^{\mathrm{2}}为点x_i到簇中心{\mu }_k的欧氏距离平方。

（5）计算聚类结果。通过多次聚类迭代计算，最终输出WCSS值为最小的簇C_k和对应中心点{\mu }_k。

2.2　模糊综合评价法

根据不同铁路局集团公司、不同品类的差异性，以及营销导向性，对主要指标赋予权重^[13]，采用模糊综合评价法对客户进行分级评价，计算方法如下。

（1）确定评价指标集。假设U=(u_{\mathrm{1}}，u_{\mathrm{2}}，\dots ，u_s)为评价指标的集合，s为被评价对象中所含有因素的个数，其具体数值受评价体系的影响。其中每一类评价指标可以按照属性的不一致分成许多子类，子类又可以使用单一评价因素来开展评价。

（2）确定被评价对象的评价集。假设P=(p_{\mathrm{1}}，p_{\mathrm{2}}，\dots ，p_t)为评价人员对评价对象作出的t种评价等级。

（3）模糊评价隶属函数的构造。任意评价指标对U上的模糊集合具有模糊性的隶属关系，每个元素的取值可以在0~1之间。当取值越接近1，说明其隶属度越高。论域上的隶属度情况可以用隶属度函数来描述，从而实现模糊属性转化成数值化描述。

（4）计算评价指标的权重值。权重的确定采用专家打分法进行计算，经过专家打分后，应用加权平均方法计算各个属性的评价权重，最终形成权重向量，权重向量用\mathit{\omega }来标识，\mathit{\omega }=({\omega }_{\mathrm{1}}，{\omega }_{\mathrm{2}}，\dots ，{\omega }_s)。其中，{\omega }_i\ge \mathrm{0}，{\displaystyle \sum _{i=\mathrm{1}}^s}{\omega }_i=\mathrm{1}。

（5）单指标评价方法。单指标评价是进行模糊评价的第1个环节。从评价指标u_i(i=\mathrm{1}，\mathrm{2}，\dots ，s)上对被评价体实施评价，确定在单指标下，评价体对各评价等级p_j(j=\mathrm{1}，\mathrm{2}，\dots ，t)上的隶属度r_{ij}，从而得到模糊关系矩阵\mathit{R}=\left[\begin{array}{ccc}{r}_{\mathrm{11}}& \dots & r_{\mathrm{1}t}\\ ⋮& & ⋮\\ r_{s\mathrm{1}}& \dots & r_{st}\end{array}\right]。其中，r_{ij}代表评价体在评价指标u_i的作用下，对评价等级p_j的隶属度。{\mathit{r}}_{\mathit{i}}=(r_{i\mathrm{1}}，r_{i\mathrm{2}}，\dots ，r_{is}{)}^{\mathrm{T}}表示评价体在评价指标u_i的作用下，对模糊集合的隶属度向量。

（6）模糊处理和模糊合成。在隶属度向量{\mathit{r}}_{\mathit{i}}和权重向量 ω 明确后，可以进行模糊处理，最后经过模糊合成运算，得到模糊综合评价结果向量 h。

\mathit{h}=\left(h_{\mathrm{1}},h_{\mathrm{2}},\dots ,h_t\right)=

\mathit{\varpi }\times \mathit{R}=\left({\varpi }_{\mathrm{1}},{\varpi }_{\mathrm{2}},\dots ,{\varpi }_t\right)\times \left[\begin{array}{ccc}{r}_{\mathrm{11}}& \dots & r_{\mathrm{1}t}\\ ⋮& & ⋮\\ r_{s\mathrm{1}}& \dots & r_{st}\end{array}\right]⑹

（7）综合评价结果。根据以上计算结果，得出模糊综合评价结果向量 h。依照最大隶属度方法，选取\mathrm{m}\mathrm{a}\mathrm{x}(h_j)所对应的评价等级作为被评价体的最终评价结果。

3　案例分析

以中国铁路上海局集团有限公司2023年整车数据为例进行分析，输入该时期内铁路客户的货运指标及自身属性指标，输出不同客户的差异化货运服务方案，即该时期内货运服务匹配方案，包括运力保障、货运产品、运价策略等。

3.1　客户特征分析

运价敏感型客户，对吨公里运价发生变化时运量波动较大的客户进行分析；时效型客户，主要结合不同品类运输特征，以及客户货运产品选择偏好进行分析。假设流失客户为运量、收入、发送频率等逐渐减少客户。以下主要选取贡献度、时效性、经济性等维度对客户特征进行聚类分析，得到客户特征聚类分析结果如图5所示。客户特征分布如下，主要包括5类客户。

（1）评价指数为6.75。客户发运量、货物周转量和收入均极高，显示出客户的巨大业务规模；客户在运价发生波动时反映迅速，表明价格敏感性较高；但对时效敏感性较低，表明对交付时间的要求较为灵活。这类企业多为煤炭、矿石、钢铁等能源企业，企业数量9家，运量约占51%，收入占比45%，该类客户为铁路的重要客户，需要予以重点维护关怀。

（2）评价指数为0.56。客户发运量、货物周转量和收入中等；对价格敏感性较高，同时对时效敏感性也较强，表明这类客户不仅对价格变化敏感，同时也对交付时间有较高的要求。此类企业多为国际物流、多式联运、农贸公司等，企业数量178家，运量占比9%左右，收入占比17%，该类客户可能成为潜在优质客户，需要提升服务质量，提升铁路运输份额。

（3）评价指数为0.42。客户发运量和收入较低，对价格敏感性一般，但时效敏感性较高，表明这些客户虽然业务量不大，但对交付时间有较高要求。此类多为粮食、化肥、化工企业等，企业数量244家，运量占比1%左右，收入占比1.6%。

（4）评价指数为0.31。客户发运量和收入中等，客户在价格上非常敏感，但对时效的要求较为适中。这类企业多为石油化工、物流、货代公司等，企业数量225家，运量占比29%，收入占比25%，该类客户可能成为潜在适铁客户，可进一步培育为重要客户。

（5）评价指数为0.12。客户发运量和收入较低，同时时效和价格敏感性都较低，表明这些客户对价格和时效变动的反映较弱。这类企业可能是铁路的一般客户，其铁路运量份额占比还比较低，或者自身规模较小，企业数量268家，运量占比10%，收入占比9.8%，可进一步培育其为忠诚客户。

3.2　客户分级评价

根据贡献度、忠诚度、潜在价值等对客户进行分级评价^[14]。选取发送量、收入、频率、需求兑现率等易获取且重要的指标对客户进行分级评级，根据实际情况假设前10为核心客户、前11~40为重点客户。其中，10家核心客户运量约占总运量的60%；40家核心、重点客户约占总运量的80%，基本符合二八法则；其余客户为一般客户。

3.3　货运服务差异化匹配

（1）首先按照核心客户、重点客户、一般客户顺序进行匹配，核心客户为A级服务，重点客户为B级服务，一般客户为C级服务，各类服务优先级均按照A，B，C排序。

（2）在此基础上，同档客户中运力保障、运价策略、货运产品可以按照客户特征需求进行排序或匹配。其中，客户贡献度较高的优先匹配运力保障；运价敏感型客户享有更多价格下浮空间；时效保障型客户优先时效保障；新增或流失客户适当给予更多运力、时效保障和运价优惠等。例如，重点客户均享受B级优先服务，在B级中按照不同客户的特征给予时效或运价倾斜等。最后，输出运力资源保障、运价浮动、货运产品匹配建议。核心客户货运服务匹配如表1所示，重点客户货运服务匹配如表2所示，一般客户货运服务匹配如表3所示。其中，客户名称均进行脱密处理，一般客户只列出部分。

不同客户按照核心、重点、一般对应的服务等级分别为A，B，C档，产品、价格、运力保障都首先按照A，B，C的顺序给予保障。在此基础上，每档客户再按照需求特征给予差异化服务，其中，产品保障主要根据客户时效性需求，得到特快、快速和普通的产品需求，同档客户可按照特快、快速、普通的建议顺序来依次匹配货运产品；价格策略按照运价敏感度分为1—5档，其中1档客户运价非常敏感，需要给予较大幅度的下浮力度，5档客户则对运价不敏感，可能更关注其他货运服务；运力保障则按照贡献度进行排序，贡献度较高的优先提供运力保障。此外，标记为流失客户的，同等条件下可予以更大运力资源倾斜，从而挽留流失客户。需要说明的是，计算结果可作为运力资源匹配的参考依据，但部分需要急难险重服务的客户还需结合实际情况进行人工干预^[15]。

表1、表2中列出了核心、重点客户货运服务匹配建议，预估实施该服务方案后，核心、重点客户的运力满足率将得到提升，为了能够更好地响应客户需求，提升铁路货运效率效益，还可以实行营销服务保障策略。对于核心客户，除保障其运力、产品、价格需求外，铁路运输企业应给予较多的关注度，通过派驻客户代表、微信、电话等方式，保持与客户的及时沟通，即时了解客户需求，同时，为客户策划定制化的服务，以保障客户与铁路长久的密切合作。对于重点客户，通过定期会议等形式，即时了解客户需求，及时满足其不同阶段的运输需求，将其发展成核心客户。对于一般客户，在运能较为宽松的区域和时段可尽量满足其需求，对于一些运量保持增长的客户，尽可能将其发展成忠诚、重点客户。

4　结束语

铁路货运营销的重点在于客户营销，而客户营销的重点是为客户提供针对性、差异化和定制化服务。从贡献度、时效性、经济性等方面分析客户画像特征，从客户的贡献度、忠诚度、潜在价值等维度对客户进行分级评价，在客户分级基础上结合客户需求特征，提出包括运力保障、货运产品、运价策略的铁路货运服务的动态匹配方法，从而将有限运力资源向优质、亟需客户倾斜，提升铁路效率效益及客户满意度。然而，本研究目前主要是为客户服务方案及营销策略提供建议，将差异化客户服务方案与铁路运力资源分配进行优化整合还有待进一步研究。

参考文献

[1] 戴钰桀，张　岩，郑平标，等. 基于客户关系管理的铁路客户星级评价体系研究[J]. 铁道运输与经济，2015，37(6)：92-96.

[2] DAI Yujie， ZHANG Yan， ZHENG Pingbiao，et al. Study on Simple Star-Rating System of Railway Customers Based on Customer Relationship Management[J]. Railway Transport and Economy，2015，37(6)：92-96.

[3] 霍　星. 中国铁路95306网客户关系管理探讨[J]. 铁道货运，2020，38(7)：39-43.

[4] HUO Xing. A Study on Customer Relationship Management of China Railway 95306. Net[J]. Railway Freight Transport，2020，38(7)：39-43.

[5] 郑平标，朱克非，代明睿. 基于客户价值分析的铁路客户分类方法探讨[J]. 铁道运输与经济，2014，36(3)：42-46.

[6] ZHENG Pingbiao， ZHU Kefei， DAI Mingrui. Discussion on Railway Customers Classification Method Based on Customer Value Analysis[J]. Railway Transport and Economy，2014，36(3)：42-46.

[7] 李　响. 铁路集装箱运输客户关系管理方法研究[D]. 北京：中国铁道科学研究院，2023.

[8] 张　斌，彭其渊. 基于KFAV的中国铁路货运客户细分方法研究[J]. 交通运输系统工程与信息，2017，17(3)：235-242.

[9] ZHANG Bin， PENG Qiyuan. Railway Freight Customer Segmentation Based on KFAV Model[J]. Journal of Transportation Systems Engineering and Information Technology，2017，17(3)：235-242.

[10] 赵元帅，权诗琦，刘　畅，等. 铁路集装箱客户关系管理模式优化设计研究[J]. 铁道货运，2024，42(1)：12-18.

[11] ZHAO Yuanshuai， QUAN Shiqi， LIU Chang，et al. Optimization Design of Customer Relationship Management Model for Railway Containers[J]. Railway Freight Transport，2024，42(1)：12-18.

[12] 王　鹏. 电子商务背景下铁路货运客户关系管理探讨[J]. 铁道货运，2017，35(10)：35-39.

[13] WANG Peng. Tentative Study on Railway Freight CRM under the Background of E-Commerce[J]. Railway Freight Transport，2017，35(10)：35-39.

[14] 彭昌旺. 货运铁路客户关系管理系统的设计与实现[D]. 北京：北京交通大学，2023.

[15] 李　伟. HD公司客户关系管理研究[D]. 广州：华南理工大学，2021.

[16] 傅　燕. 天津港物流客户服务管理策略研究[D]. 大连：大连海事大学，2012.

[17] 周杨頔. 航空公司客户价值分析及流失预测[J]. 商讯，2021(18)：190-192.

[18] 任春华，孙林夫，吴奇石. 基于LRFAT模型和改进K-means的汽车忠诚客户细分方法[J]. 计算机集成制造系统，2019，25(12)：3267-3278.

[19] REN Chunhua， SUN Linfu， WU Qishi. Automobile Loyalty Customer Segmentation Method Based on LRFAT Model and Improved K-means Clustering[J]. Computer Integrated Manufacturing Systems，2019，25(12)：3267-3278.

[20] 张　斌，彭其渊. 基于大数据的铁路客户关系管理系统设计研究[J]. 铁道运输与经济，2017，39(6)：42-48.

[21] ZHANG Bin， PENG Qiyuan. Design of Railway Customer Relationship Management System Based on Big Data[J]. Railway Transport and Economy，2017，39(6)：42-48.

[22] 曾令震. 顺丰速运客户细分策略研究[D]. 昆明：云南财经大学，2021.

[23] 陈雁冰. 上海铁路局货运客户关系管理对策探讨[J]. 铁道货运，2017，35(11)：15-20.

[24] CHEN Yanbing. A Study on Measures Taken by Shanghai Railway Administration to Improve Customer Relationship Management[J]. Railway Freight Transport，2017，35(11)：15-20.

基金资助

中国国家铁路集团有限公司科技研究开发计划课题(K2023X033)

中国国家铁路集团有限公司科技研究开发计划课题(J2023X007)