随着高速铁路动车组运行速度的不断提高,大风对高速列车运行造成的影响开始被人们所重视。高速列车在行驶过程中极易受到强风的影响,从而产生较大的俯仰力矩,造成行车事故。在地理位置或环境特殊的路段,车体周围风场发生变化,导致气动力显著改变,增加了列车脱轨、倾覆的可能性。因此,对于高速铁路线路周边大风天气的预测有着重要的意义。本文研究了高速铁路线路风速风向短时局地预测方法,搭建风速风向超前预测模型,使用由WindLog风速风向传感器获得的数据对于模型进行训练,并进行风速风向超前1min、5min、10min的超短期预测。为了实现风速风向超前预测,构建了基于LSTM长短时记忆网络的预测模型,对数据进行预处理,设置合理的学习步长,建立双层LSTM网络结构,获取历史步长内的数据特征,进行超前预测。以单变量与双变量为数据输入,比较LSTM模型预测性能的优劣。对风速超前预测模型进行优化,基于CNN卷积神经网络搭建预测模型,叠加多个CNN卷积模块,提取深层的风速数据特征。结合LSTM长短时记忆网络与CNN卷积神经网络,构建双层LSTM与双层CNN卷积层相叠加的预测模型,LSTM学习数据的时序特征,CNN学习数据的局部深层特征,用改进的优化模型进行风速预测。针对风向超前预测问题,由风向数据的季节性以及相关性构建ARIMA时间序列模型并分析其预测性能。对风向数据进行差分,并进行ACF、PACF检验,增强平稳性与连续性。对风向数据进行一阶差分后,构建LSTM与CNN相结合的风向预测模型,对风向预测问题做出优化。本论文在实验室周边环境下进行数据检测与获取,分割数据集进行模型的训练与验证。实验证明,LSTM预测模型对于风速的预测结果较为准确,对于风向的预测具有一定的跟随性,优化的风速风向预测模型在性能上均有较大提高,且超前预测模型具有较强的适应性。