高速铁路光传送网(OTN,Optical Transport Network)是高速铁路正常运行的保障。光传送网络故障的产生会导致业务的中断以及信息的丢失,不仅会影响列车的安全运行,也对用户造成经济损失。因此在网络发生故障时,高效的故障定位机制能够为故障的快速恢复提供条件,是网络安全运行的保障。此外,当前高速铁路信息业务量不断增大,业务的种类趋向多样化,为满足业务的需求,光传送网络的拓扑结构也越来越复杂。在这种发展趋势下,如何保证网络的良好的服务质量(Quality of Service,QoS)成为了最基本的问题之一,而光网络的拥塞控制则是实现优良的QoS机制的关键技术。本文将机器学习的算法应用于光网络的故障定位和网络的拥塞程度的预测中,主要研究内容如下:(1)提出了基于GRU(Gated Recurrent Unit)神经网络的故障定位的方法,主要解决光传送网络的单链路故障。该方法是利用神经网络对链路的历史故障数据进行训练,然后通过分析发生故障时链路的状态信息来实现对故障链路的定位。本文基于铁路骨干环链路搭建动态业务模型进行故障定位的仿真,仿真中对GRU的参数进行了优化,并在相同条件采用结构相似的LSTM(Long Short Term Memory)神经网络进行对比实验,表现了 GRU模型相对优异的性能。仿真结果表明本文提出的方法可以迅速定位故障,减少发现故障到修复故障的时间,且具有95.7%的定位准确率,同时节省了使用监测器的成本。(2)提出了基于支持向量机(Support Vector Machine,SVM)进行光网络拥塞程度预测的模型,主要针对光传送网络拥塞的问题。该模型可以根据业务具体分配的信息(每个业务带宽分配的大小,每个业务带宽的持续时间,源节点,目的节点)对光网络中的下一时间周期的网络拥塞程度进行预测分类。仿真实验中采用的SVM为一对一的多元分类模型,核函数为RBF,并用网格搜索法优化了 SVM的参数。仿真结果表明基于SVM的光网络拥塞程度的预测模型有97.8%的分类准确率,这对光网络的管理与规划,合理的分配光网络资源以及提高光网络的业务的QoS提供了一个良好的策略。