高速列车在运行过程中不可避免地会受到来自系统内部与外界环境的干扰,当干扰强度超过运行图冗余吸收能力时,就会导致列车晚点,直接受到干扰因子影响而产生的列车晚点,被称为初始晚点。由于铁路资源在时空上具有独占性,初始晚点可能会产生时间上与空间上的传播。提取各类初始晚点影响指标、拟合初始晚点指标的分布函数、构建车站节点初始晚点影响指标预测模型,进而完成列车晚点程度精准预测,能够为调度工作提供实时可靠的调整决策支持,从而提高运输服务质量。初始晚点影响指标分布函数的拟合方面,基于广铁集团2014-2016年高速铁路晚点故障记录数据,本文将研究路网划分为三个层级:管内所辖全部高铁线路、武广高铁线路、武广区段高铁线路,分别进行数据建模并验证模型有效性。其中,2014-2015年用于建立每个层级的最优初始晚点影响指标分布模型;2016年数据验证最优分布函数的适用性。具体研究工作包括:(1)使用Kolmogorov-Smirnov检验得到了三个空间层级拟合优度最高的初始晚点时间分布模型;(2)使用决策指标可决系数R~2比选分别得到了三个空间维度上的初始晚点影响列车数与初始晚点影响总时间最优分布模型;(3)使用2016年数据验证了初始晚点时间、初始晚点影响列车数在时间维度的适用性,引入匹配度量化说明了初始晚点影响列车数、初始晚点影响总时间的模型适用性。车站初始晚点影响指标预测模型方面,基于广铁集团2015-2017年高速铁路车站运行实绩数据,本文提取出了广州北站与衡阳东站初始晚点影响列车序列。结合初始晚点时刻对应的计划运行图结构,使用2015-2016年广州北站实绩运行数据,比选不同机器学习模型,建立了最优的初始晚点影响列车数预测模型。使用对应时段衡阳东站及2017年广州北站实绩数据验证了该模型在空间及时间维度上的适用性,研究结果表示:XGBOOST算法在初始晚点影响列车数预测模型的建立与检验中都是最优模型,并在时间维度与空间维度同样保持了优异的预测效果。接下来,融合广州北站初始晚点影响列车序列与初始晚点影响列车数预测模型,对比不同机器学习模型,建立了相应时刻的广州北站最优的初始晚点影响总时间预测模型,并同样使用对应时段衡阳东站及2017年广州北站实绩数据验证了该模型在时空维度的适用性。结果显示:SVR算法在训练及测试数据集上都有最优预测效果,且保持了较优的预测精度。