城市轨道交通因其高效、经济、节能、环保等优点,在解决当今城市交通拥堵、能源消耗、环境污染等问题上具有不可替代的巨大作用。列车自动驾驶(ATO, Automatic Train Operation)系统作为代替司机驾驶的重要设备,能够实时控制列车运行,对列车运行能耗、乘客舒适性、运行时间、停车精度等性能指标有直接的影响。在发展绿色经济,倡导低碳生活的今天,研究更好的列车驾驶模型对于降低城市轨道交通降低运营成本和提高运输效率具有重要的现实意义。根据观察地铁司机的驾驶策略和分析驾驶数据,发现有经验的司机只需要几次改变手柄就可以把列车正点、精确地停到指定位置,而且惰行多、能耗低,乘坐舒适度也较高。基于此,本文首次提出了基于人工驾驶数据的控制思想,利用数据挖掘方法,结合专家知识经验,以实现列车运行的多目标控制。本文的列车智能驾驶(ITO, Intelligent Train Operation)模型主要从以下几个方面进行了研究：首先,根据采集的北京地铁亦庄线现场数据,结合运行时间误差、停车误差、控制器切换次数、单位质量能耗和冲击率五个性能指标,筛选出优秀的人工驾驶数据,建立人工驾驶标准数据库。其次,详细介绍了本文使用的数据挖掘算法,并分别利用两种回归算法(B-CART和L-CART)和三种分类算法(KNN、B-CART和A-CART)对连续手柄位列车和离散手柄位列车数据进行挖掘,挖掘出优秀司机的驾驶策略,同时描述了专家知识经验和启发式停车算法。通过MATLAB软件,搭建了列车运行控制系统Simulink仿真模型和图形用户界面(GUI),统称列车智能驾驶模型仿真平台。最后,借助搭建的仿真平台,利用亦庄线实际线路数据,对本文智能驾驶模型进行了仿真,仿真结果显示列车运行平稳,且符合司机驾驶规律,对比PID控制的结果表明,智能驾驶模型能够降低列车运行能耗、提高乘客舒适度,同时能满足运营时间和停车精度要求。相比于人工驾驶的平均水平,智能驾驶模型也略好。对于连续手柄位列车,L-CART算法效果优于B-CART算法；对于离散手柄位列车,A-CART在三种分类算法中效果最好。此外,通过设置不同的列车模型参数,验证了智能驾驶模型的鲁棒性,同时分析其相关性,其中,运行时间误差和停车误差与列车模型参数存在显著的相关性；通过设置复杂的线路限速和陡峭的坡度,验证了智能驾驶模型的适应性。