中国铁路在经济和社会快速发展中扮演着越来越重要的角色,尤其是铁路货运已成为影响经济的一个重要因素。但目前我国货运列车运行能耗高、运输效率低、运行秩序复杂的困境业已成为日益增加货运发送需求所面临的挑战。突破这一挑战的首要任务就是实现列车能耗的精准统计和预测,从而为强化列车运输能耗管理、提高运输效率、优化运输组织提供方法和技术支撑。针对这一挑战,本文在系统分析货运列车运行状态数据基础上,从统计理论、决策理论和机器学习的角度出发,开展基于集成学习的列车能耗预测方法研究。所取得主要研究成果如下:(1)提出了基于证据推理理论的集成支持向量机。首先,基于训练数据构建若干个支持向量机作为基分类器。其次,基于基分类器在训练集上的AUC值量化其权重。然后,利用证据推理理论将各基分类器输出结果进行融合,融合结果作为分类依据。最后,将本文提出的集成支持向量机与传统集成算法进行对比,结果验证了所提出集成支持向量机的可行性和有效性。(2)提出了网格化的货运列车能耗预测方法。首先,考虑到所获取列车运行数据在时间上的稠密性,每个单位时间间隔内的平均能耗可视为一个样本,从而构建相应货运列车运行能耗的数据集。然后,基于集成支持向量机实现基于上述样本的学习模型。最后,针对某一区段的能耗问题,可将该区段实现均匀网格剖分,剖分后的每一段的平均能耗通过学习模型求解,所有网格的能耗计算平均等级作为区段的能耗分类等级。实验结果表明,该能耗预测算法在数据样本充足情况下,可精准地实现能耗预测,为优化列车驾驶提供技术支撑。(3)基于列车运行数据和上述研究结果,设计了列车能耗分析系统。首先,基于列车运行数据,基于数据清洗、数据转化和数据拼接匹配技术,构建了相应的数据库。然后依托数据库和上述网格化能耗预测模型,开发了列车能耗分析系统。该系统实现了能耗数据的精准统计、对比和预测功能,为货运列车实际应用提供了支撑条件。