高速列车时代的发展已经相当快速,它是由异常复杂的设备包括硬件设施和软件系统所组成的整体,它面临的是开放的异常复杂的外部运行环境,具有相当复杂特征表现的移动服务性非线性系统运动学所组成系统。现有的高速列车运行是根据实际中的运行工况和给定的V-S速度位移曲线的很大程度上根据人工操作经验的操纵控制模式,这样一来就很难保证高速列车高效率性能的完成设计运行标准。面对高速列车这样运行过程复杂的,外界环境影响因素多的不确定性和具有强非线性动力学系统特性,文章根据高速列车牵引制动特性曲线数据为基础,同时采集现有线路运行过程实际数据信息,进而为研究高度列车运行过程建模与速度跟踪控制做准备也为对高速列车进一步趋向自动驾驶系统设计研究提供更多的可能参考。1.以CRH380AL型高速列车为实验对象,通过采集的实际数据信息和参考的牵引制动特性曲线,使用数据驱动的建模方法,进而建立高速列车LSSVM预测模型,鉴于LSSVM预测模型实时性,运算量大,时间长等不利特点,采用改进型的最小二乘支持向量在线学习建立模型,在很大程度上提高建模速度和精度,进一步满足系统在线运行的实时性要求。以CRH380AL研究对象,实验的结果表明了所建立模型的可靠性和有效性。2.根据高速列车运行过程的复杂性研究,外界随机不确定因素的影响,分析动车组运行过程多模态,提出多模型建模的思想,数据通常包含大量信息,针对高速列车运行过程表现明显的牵引和制动状态对数据使用模糊聚类来分类,最大限度的保存数据信息的完备,进而根据系统分类数据特性建立多模态阶段模型,同时考虑的具有核函数的支持向量机模型对模型精度和效果影响比较大,这样在建立阶段模型的基础上寻求最适合核函数的最优LSSVM模型,实验表明在分类建模的试验下,模型保存了更多的信息,从而为建立当前模式下最优模型,提供更为准确的表现,实验表明模型预测精度更高。3.在所建立的多模态最优LSSVM模型的基础上,根据动车组运行过程多模态分析,结合广义预测控制提出多支持向量机模型的高速列车速度跟踪控制方法,得到高速列车牵引和制动力和速度预测跟踪的控制目标为进一步对自动驾驶系统设计研究提供参考,同样以CRH380AL为实验对象运用多模型数据驱动建模结合预测控制方法进行仿真实验,结果表明较单模型预测控制方法更具有优越性。