随着我国铁路客货运量和运营里程持续增长,铁路系统的安全保障至关重要。列车在行驶过程中,易受到强风、暴雨和降雪等恶劣天气的影响,突然的自然地质灾害也会给列车运行安全带来隐患,极易引发行车事故。因此,利用铁路沿线实时监测的气象数据进行恶劣天气预测对运营安全保障有着重要的意义。本文先对国内外相关的研究现状和国家标准文件进行分析,重点研究了铁路沿线恶劣天气的预测方法。根据实际应用场景,分别构建短时预测模型和长时预测模型,并以风速数据为例,对两模型的性能进行了验证。在短时预测方法中,构建了基于门控循环单元GRU的预测模型,捕捉时间序列数据中的信息变化特征,学习数据之间的依赖关系,同时,使用卷积神经网络CNN提取序列数据的深层局部特征和尺度不变特征,对GRU模型进行优化,进而构建出一个GRU-CNN预测模型。这里,以风速为例,使用时间分辨率为三十秒的铁路沿线风速数据训练上述模型,分别进行提前半分钟、两分钟、五分钟的风速预测,实验结果验证了模型的短时提前预测效果。在长时预测方法中,构建了基于双阶段注意力循环神经网络DA-RNN的预测模型,其时间注意力机制能够学习目标变量的历史时序信息实现对未来时刻的预测,而输入注意力机制能够自适应地选择对当前目标变量影响最大的序列,作为目标变量预测的补充。同样地,以时间分辨率为一小时的风速数据为例,进行了风速的长时提前预测,实验结果表明,加入其他天气变量有效地提高了风速预测的准确性。论文通过构建预测模型对铁路沿线天气状况进行提前预测,并以风速数据为例,验证了模型对风速的长短时预测效果。该研究结果可为铁路气象监测预警提供参考。