随着中国重载货运铁路快速发展并对其安全性能的要求不断提高,作为保障铁路安全运行的铁路无线网络通信系统展现出了重要的价值。为保证两万吨级重载列车的安全运行,同时为实现对铁路业务提供支持,朔黄铁路公司建立了世界上第一个基于LTE(Long Term Evolution)技术的通信网络。与此同时,随着LTE-R网络结构的复杂性增强和规模逐步增大,传统基于人工方式的网络故障运维方法已不再适用于当前的生产环境,而智能化、自动化的网络故障诊断和预测逐步发展成当前网络业务的客观需求。针对该问题,并结合铁路实际现场作业情况与需求,本文以朔黄铁路的真实业务场景为背景,重点针对LTE-R网络运维过程中网络故障诊断与预测进行研究。具体地,本文针对当前网络故障问题,对网络关键参数进行分析,通过地理信息和网络通信质量E-RAB(Evolved Radio Access Bearer)的掉线率做关联分析、挖掘,以实现网络运维的自动化和智能化,取得的研究成果如下:(1)针对LTE-R网络数据量巨大,结构复杂的特点,分析LTE-R网络关键参数和故障,提出一种基于Spark的LTE-R网络基础故障诊断方法,通过大数据手段实现对海量数据的存储、读取和计算,并可以快速高效筛选网络基础故障。(2)针对LTE-R网络关键参数为时间序列数据的特点,提出一种基于遗传算法的时间序列提取shapelets方法,实现了LTE-R网络参数的时序特征提取。该方法可以快速的计算时序中最合适的shapelets集,并且可以筛选出隐性的shapelets时序特征,具有较好的可解释性。(3)针对LTE-R网络故障诊断的任务,提出了一种基于注意力感知的深度树集成学习方法。该方法可以有效地提高输入数据的表示学习能力,引入的注意机制可以显著提高模型在实际LTE-R网络故障诊断任务中的性能。(4)针对LTE-R基站网络故障预测的问题,提出一种基于因果卷积局部增强的Transformer时序预测方法用于故障预测。该模型能够在有效地挖掘时序特征之间的依赖关系,并且强化了局部的注意有效关联了上下文的联系。在E-RAB掉线率故障预测中提供可靠分析。