晚点预测是基于列车运行历史数据估计列车在后续记录点晚点情况的过程,通常通过到达(出发)晚点来测定。列车晚点一方面会严重影响铁路运输组织,降低铁路运输服务质量;另一方面则会增加旅行时间,严重影响旅客的出行计划。因此了解列车晚点传播机理、对列车进行晚点预测研究对于调度员的日常工作调度具有重要意义,为提高铁路旅客列车正点率提供理论基础。铁路调度员在日常工作中,要准确分析和判断晚点的影响程度,首先应对列车晚点的宏观统计分布规律有一定的了解,在此基础上对列车的晚点情况进行预测,并以此作为调度调整策略制定和运输组织优化的依据。因此,本文首先从荷兰铁路约400车站中选择行车量较大,较为繁忙的12个车站进行列车晚点时空规律分析。具体工作包括:(1)对列车到发晚点规律进行分析。将一天划分为10个时间段,分别统计每个时间段车站列车的到达晚点率、平均到达晚点时间、出发晚点率、平均出发晚点时间,分析列车晚点的时空规律。然后以Rsd站IC列车为例,对列车到达晚点时间、出发晚点时间分时段进行分布拟合。最终通过KS检验得到最优的拟合分布模型为对数正态分布模型。(2)对列车增晚、恢复规律进行分析。同样将一天划分为10个时间段,分别统计每个时间段车站列车的增晚率、平均增晚时间、恢复率、平均恢复时间,分析列车增晚恢复的规律。然后以Ddr、Rsd车站为例,对列车增晚、恢复时间分时段进行分布拟合。最终通过KS检验得到大多数时间段内增晚时间最优的拟合分布模型为对数正态分布模型,恢复时间的分布拟合模型为伽马分布模型。基于列车晚点宏观规律分析,对荷兰铁路列车进行晚点预测。具体工作包括:(1)从中观层面上,对荷兰铁路网络列车晚点情况进行预测。提取影响列车晚点的主要因素,运用随机森林模型对荷兰整个铁路网络普速列车20min后的晚点情况进行预测。对比预测模型为人工神经网络模型和XGBoost模型,通过模型评估发现相对于人工神经网络模型(ANN)和XGBoost模型,随机森林模型预测效果最好,预测性能最佳。(2)从微观层面上,针对荷兰铁路繁忙区段进行更为深入的列车晚点预测。通过提取特征向量,主要运用GRU模型对列车晚点进行预测。对比模型为LSTM模型、随机森林模型、人工神经网络模型和XGBoost模型,经过对比分析GRU模型具备较高的预测精度和预测性能。