鐵路重新排程是一個高度依賴最佳化技術的領域，長期以來，研究人員主要使用混合整數線性規劃（MILP）來解決相關問題。然而，該領域積累的建模知識分散在數百篇論文中，這些論文使用互不相容的符號和表示法，使得知識的整合和複用變得異常困難。傳統的綜述性文章往往依賴於術語而非結構進行分類，導致分類結果主觀且難以復現。為了解決這一問題，研究人員提出了LP Mining with LP2Graph方法，旨在從已發表的LP和MILP公式中系統性地挖掘結構資訊，從而構建一個可重複使用的資料集和一個歸納式的分類體系。
LP2Graph是該方法的核心元件。它接受由規範語法定義的公式，並將其轉換為一種稱為“型別化變數-方程圖”的表示形式。這個圖的構建基於一個統一的規範模型，一旦源公式被成功解析到這個模型中，後續的所有處理步驟都是完全確定性的。每個源公式首先被解析，然後經過同源化處理，接著在多個層次上進行自底向上的聚類：首先針對變數，然後針對約束和目標函式，最後針對整個模型結構。與此同時，還會根據應用領域和求解方法進行單獨的聚類。聚類結果由一個基於規則種子且能自我更新的分類器進行標註。
為了驗證這種表示方法的有效性，研究人員並沒有僅僅假設其正確性，而是進行了實際的驗證。他們為每個聚類選取代表模型，將其重新生成為獨立的LaTeX程式碼，並使用CBC、HiGHS和Gurobi等多種求解器重新求解，最後將求解結果與原始論文中報告的最優值進行比較。這一驗證過程確保了分類的客觀性和可重複性。
最終，該方法生成了一套關於變數、約束和模型型別的客觀且可重複的分類體系。這一體系為未來的自動化鐵路重新排程模型開發（即raiLPminer系列）提供了一個原則性的基礎。這項研究為最佳化建模領域的知識組織和複用開闢了新的途徑，有望顯著提高該領域的研究效率。