轨道动态检测数据是反映轨道健康状况的一种多变量时间序列数据,对其进行挖掘与分析,有助于研究轨道状况的变化,对进一步的养护维修提供精准化的指导意见,同时可以深入探究轨道病害产生的原因以及发展趋势,及时预警,提高线路运营的安全性。多变量时间序列是近年来数据挖掘领域的一个重点研究方向,广泛应用于多个行业领域中。研究多变量时间序列的分析与处理方法并结合轨道动态检测数据特性对其进行挖掘,具有重要的理论意义和实际应用价值。本文从多变量时间序列数据处理理论出发,以某高速铁路近八年的轨道动态检测数据为基础,研究轨道动态检测数据的挖掘算法,重点研究轨道差异沉降识别问题和轨道动态检测数据异常检测问题,主要工作及研究成果包括:(1)提出了一种基于孪生神经网络的轨道差异沉降识别方法。该方法从轨道动态检测数据序列的相似性度量出发,利用孪生神经网络进行相似性度量学习,构建了基于LSTM(Long Short-Term Memory)的孪生神经网络差异沉降识别模型(Differential Settlement Identification Model of Siamese Neural Network based on LSTM,DSIM-LS)。在某高铁线路的真实数据构成的轨道差异沉降数据集上的实验结果表明,该模型差异沉降识别的查准率为96.23%,误报率3.77%,没有发生漏报情况。该方法为轨道动态检测数据与轨道差异沉降数据的关联研究与分析提供了一种新的思路,同时也为轨道沉降状况的识别、预警提供了技术支撑。(2)提出了一种基于自编码器的多变量轨道动态检测数据异常检测方法。该方法深入研究了轨道动态检测数据中多变量的关联关系,构建了一种多变量关联矩阵,并据此提出了一种基于自编码器的多变量轨道动态检测数据异常检测算法(Auto-Encoder-based Multivariate Track dynamic inspection Data Anomaly Detection,MTDAD-AE)。在某高铁线路的真实轨道动态检测数据集上的实验结果表明,所提算法在精准率和召回率上均优于其他基于深度学习的对比方法,取得了最好的检测结果,且利用关联矩阵实现了异常因素的定位。(3)构建了一套轨道动态检测数据智能化处理平台(Intelligent Processing Platform for track dynamic inspection data,IPP-TDID)。该平台采用自底向上的设计思路,包括数据采集层、数据处理层、数据分析层以及数据应用层。平台使用Spring Boot结合Vue实现后端数据业务逻辑和前端页面的可视化展示,同时集成了轨道动态检测数据智能算法,包括基于相关系数的轨道动态检测数据的里程偏移配准算法、基于孪生神经网络的轨道差异沉降识别模型以及基于自编码器的轨道动态检测数据异常检测模型。平台的构建支撑了数据清洗等早期科研阶段,大大加快了对轨道动态检测数据的科研进程,同时对智能算法的集成为持续进行轨道动态检测数据挖掘研究和应用于实际线路运营场景提供了基础,具有重要的实际应用价值。