集装箱海铁联运相较于传统的单一运输方式具有高效、安全、环保等优势,若将其广泛应用于综合交通运输领域,可促进货运结构的优化和区域外向型经济的发展。高效的海铁联运运输效率需要各联运主体间及时准确的物流与信息流交互,然而目前我国不同交通方式间仍存在数据共享障碍,缺乏沟通渠道和统一的数据交互标准,各方由于数据隐私问题对数据共享的意愿并不高。铁路方制定班列开行计划时主要依据货代提报的车卡需求量和可用车流信息,对于在港箱流信息了解途径有限。以上各方原因导致铁路运输的港口货物比重偏低,铁路运输能力未得到充分发挥,制约了港口和铁路的发展。为解决上述问题,本文引入联邦学习对到港卸船箱流进行分类建模研究,提前识别出可通过车船转运的箱流,可帮助港口方和铁路方更好制定集装箱转运方案。研究内容主要包含以下三方面:（1）海铁联运箱流车船分类标签优化模型构建与验证。明确箱流分类运筹学模型的优化目标和约束条件,设计遗传算法求解模型,并结合实际算例验证模型效果。该模型算法用于后续箱流分类模型样本的标签构造,作为箱流是否可以通过车船转运的判断依据,改善海铁联运场景中样本标签质量不佳的问题。（2）设计基于联邦学习的海铁联运箱流分类预测模型。考虑到联邦学习隐私保护前提下分布式机器学习的特点,针对数据预处理、联合建模过程中的样本对齐、模型训练和推理三方面进行详细设计。（3）使用FATE架构对箱流分类模型进行实例验证。为避免过拟合的问题,将数据集随机化划分为训练集、验证集和测试集,分别构建模型训练和预测任务,分析箱流分类模型的拟合能力和其在识别港口潜在海铁联运箱流方面的贡献。本文以广州港和广铁集团为例,对基于联邦学习的海铁联运箱流分类预测模型的有效性和适配性进行了验证,结果表明模型预测精度高达96.85%,F1-score、AUC和KS均在0.9以上,具有良好的预测性能和泛化能力。通过箱流分类预测模型可有效反映集装箱海铁联运需求量,使得当前海铁联运箱量年均提升28.08%。而箱流分类预测模型在保障用户数据隐私的同时可提供与非联邦学习算法相同的精度,后续也将内嵌至海铁联运信息共享平台,可对港口方和铁路方的车船转运作业调度安排提供辅助决策,同时提升集装箱海铁联运的车船转运效率和客户满意度,以增强货源吸引力度。图32幅,表25个,参考文献103篇。