随着信息技术的发展,越来越多的人开始关注数据科学,希望通过数据分析寻求有价值的数据信息。图表可视化技术作为数据分析的有效工具,可直观、清晰地呈现数据信息,但使用可视化工具创建可视化需要选定图表类型、坐标轴和数据属性等一系列较为复杂的操作,用户在该可视化探索的过程可能会致使数据分析效率降低。此外,现有的可视化工具对编程能力有一定的要求,即可视化工具的使用存在一定的门槛。为提升可视化创建的效率,本文提出一种基于数据驱动的多维可视化图表推荐算法。本文主要围绕多维数据可视化图表推荐问题进行研究,并将提出的方法在高铁故障数据分析中进行应用。针对基于规则的可视化图表推荐系统中出现的规则冗余、扩展难等问题,本文提出一种基于数据驱动的多维数据图表可视化推荐方法。该方法通过提取原数据集的相应的数据特征构建特征数据集,使用特征数据集训练推荐模型,实现对可视化类型的预测。提出类分解-生成对抗网络的数据平衡算法,旨在解决图表可视化推荐过程中数据的不平衡问题。数据采样技术虽然可以改善数据不平衡问题,但是在生成样本质量和保留数据信息方面仍存在一定不足。为了保证推荐结果的有效性,针对特征数据集中出现的样本类别不平衡问题,本文对多类样本进行分解并对少类样本进行合成。使用K-means聚类算法对多类样本进行分解,将多类样本分解为各不相交的簇,以降低多类样本在分类中的主导作用并避免了常规欠采样造成的数据信息损失。使用生成对抗网络对少类样本进行合成,使生成的样本符合数据分布的同时具有一定的多样性。考虑到特征数据集的维度较高,采用随机森林预测图表类型,将合适的图表推荐给用户,降低用户探索可视化的时间消耗,利于提升用户数据分析的效率和准确性。为了进一步验证本文所提出基于数据驱动的多维数据可视化图表推荐算法的有效性,针对高铁故障数据分析的实际需求,使用该方法完成高铁故障数据可视化。基于动车所高铁故障数据和业务需求,建立数据模型,使用合适的图表直观、清晰地展现高铁故障数据信息,帮助高铁工作人员快速准确地识别故障信息,提升故障维修效率,辅助其精准决策,为高铁安全运行提供了有效的智能化工具。