高速列车是交通强国战略部署的重要建设对象。高速列车凭借其高效、舒适等特点,已经成为人们出行的主要交通工具。作为攸关旅客生命及财产安全的大型地面运输系统,高速列车运行的安全性与可靠性至关重要。车载设备作为高速列车运行控制系统的重要装备,其运行状态直接影响着列车运行可靠性,因此,有必要针对车载设备开展故障预测研究,提前发现并消除潜在故障,保障高速列车安全运行。本文基于高铁列控车载设备故障数据分析和故障预测问题,首先针对高铁列控车载设备庞杂故障数据提出多维故障数据模型,对运行故障数据进行建模分析;选取故障间隔时间作为研究对象,提出基于EMD算法的故障间隔时间预测方法,实现车载设备故障预测;设计并实现了车载设备故障数据统计分析和故障预测软件。本文主要工作包括:（1）针对高铁列控车载设备运行数据,基于OLAP技术构建车载设备多维故障数据模型,解决了庞杂的车载设备故障数据规范化存储、管理问题,实现对故障数据隐含信息的挖掘及分析,为后续故障预测提供可靠的数据基础。（2）针对于车载设备故障预测问题,以DMI单元为例,选取DMI单元故障间隔时间作为研究对象,并针对具有安全苛求性的列控系统车载设备提出了故障预测可靠度（Fault Prediction Reliability,FPR）评价指标。基于故障间隔时间序列非线性特点,引入EMD分解算法进行时序分解,对分解后各项分别采用PSO-SVR算法、BP神经网络和LSTM神经网络算法预测,整合预测结果,使用RMSE和FPR评估预测精度,验证了基于EMD算法的LSTM神经网络预测模型的有效性及该评价指标的可行性。（3）针对车载设备故障数据统计分析及故障预测等需求,基于车载设备多维故障数据模型和故障预测研究基础,设计并实现了列控车载设备故障数据时空特性分析和故障预测软件。采用DMI、STU-V和VDX现场故障数据验证本文提出的故障预测方法,最终完成软件的功能验证和分析工作,实现了故障数据分析和故障预测工作的高效化和智能化。论文提出并构建车载设备多维故障数据模型,利用OLAP技术分析故障数据时空特性,引入基于EMD算法的LSTM神经网络预测模型对车载设备故障间隔时间进行预测。在此基础上,设计并实现了列控车载设备故障数据时空特性分析和故障预测软件,并采用车载设备现场故障数据对软件功能进行验证,证明该软件具有较高的实用性价值。图73幅,表11个,参考文献73篇。