随着我国铁路运输业的快速发展和自动化程度的提高,铁路系统具备对各类风险和事故快速响应的能力已经成为运输服务质量的可靠保障。然而,一些诸如固定及移动设备故障、恶劣天气等不可控因素会导致各类事故的发生,影响了铁路的正常运行计划,降低了乘客满意度。为此,提前估计事故持续时间,为调度系统的快速优化提供信息支持,使系统尽快恢复正常运营,成为当前的研究热点。本文在事故报告文本挖掘和事故特征选择的基础上,根据铁路事故持续时间的分布特点设计预测模型,实现对事故持续时间的估计。论文主要内容如下:(1)面向影响铁路事故持续时间的致因因素分布不平衡的特点提出了改进的FL-Bi GRU文本分类算法,利用FL函数进行模型训练,根据类别样本量自动调整损失函数权重以提高小样本类别的识别精度。实验结果表明,与传统Bi GRU算法相比,FL-Bi GRU算法的分类性能更高,并且能够准确分类小样本致因类别。(2)在我国铁路事故属性及相关研究工作的基础上总结了可能影响事故持续时间的各种特征,包括致因因素和外部条件特征,并根据铁路事故属性繁多且冗杂的特点,对铁路事故持续时间相关特征进行整合,对998份铁路事故报告的特征进行编码处理,构建了铁路事故持续时间特征集RAD-FS。(3)设计了基于过滤式算法和封装式算法的混合算法HA＿mRMR-MIC对铁路事故持续时间特征集RAD-FS进行特征选择,利用改进的mRMR-MIC过滤式算法对特征集进行降序排列,在此基础上结合封装式算法思想,将mRMR-MIC的排序结果依次累加作为分类器输入,以分类器结果为评价指标选择预测特征集的最优k值,构建了铁路事故持续时间预测特征集RADP-FS。(4)根据铁路事故持续时间长尾分布的特点,提出了结合分类和回归的双层预测模型BPM＿RAD,使用分类模型识别短期事故,并针对短期事故利用回归模型实现以分钟为单位的铁路事故持续时间的回归预测。此外,根据铁路事故持续时间分布特点,选择具有树木增强能力、损失函数正则化和自适应学习速率的XGBoost算法构建分类和回归模型。(5)针对XGBoost参数众多且搜索空间太大的问题,提出了改进的XGBoost＿BO算法,利用贝叶斯优化算法BO对XGBoost模型进行参数寻优,在此基础上构建XGBoost＿BO分类预测模型和XGBoost＿BO回归预测模型,最后利用不同树模型对比验证了XGBoost＿BO算法对于铁路事故持续时间预测的有效性。