近年来,铁路建设发展迅速,铁路运输也逐渐成为了社会的主要交通运输方式之一。公众对铁路运输的需求日益增长,对列车的正点率也越来越关注,确保列车的正点率也成为了铁路旅客运输服务质量的基本要求之一。列车一旦出现晚点,不仅会对旅客造成影响,还会降低线路的运输效率,给铁路运输带来负面影响。为了能够更加合理的进行晚点控制,更好的协调列车有序运行,更快的减小晚点的影响范围,本文基于英国西海岸主线的列车运行实际数据,以提高列车晚点的预测精度为目标,设计了铁路列车晚点的预测模型,主要研究内容如下:（1）基于列车运行实际数据,对原始数据完成了去重、异常值处理、离散变量处理和缺失值处理等数据预处理工作,以可视化形式分析了线路上列车晚点的分布规律。基于时间事件图原理,分析了晚点在列车运行过程中的动态传播过程,并建立了含有14个变量的数据特征集。（2）根据初始晚点和连带晚点的特征,筛选了建模的输入特征集,并运用密度聚类算法（Density-Based Spatial Clustering of Applications with Noise,DBSCAN）建立了晚点聚类模型。通过晚点聚类结果的可视化,能够识别数据中的初始晚点和连带晚点。将晚点数据最终整合为4类,各类在横向传播和纵向传播上有明显特征。利用4类晚点的特征,计算对应晚点传播因子并从数据集中识别了横向和纵向晚点传播链。（3）针对梯度提升树（Gradient Boosting Decision Tree,GBDT）的参数优化问题,提出基于粒子群算法（Particle Swarm Optimization,PSO）的GBDT参数优化方法。设计了PSO优化GBDT参数的流程,并通过实例分析验证:采用PSO对GBDT参数进行优化,对比交叉验证法能够获得更优的参数组合,同时大大降低时间成本。（4）结合晚点自动分类模型和基于PSO优化的GBDT模型（PSO-GBDT模型）设计了列车晚点预测模型。设计了模型的结构并在列车运行实际数据上验证了模型的性能。列车晚点预测模型在允许误差3分钟内,预测精度为95%,且预测精度高于随机森林模型、支持向量回归模型和神经网络模型。同时基于PYQT5,设计了列车晚点预测的可视化界面,设计了相关控件,并对晚点预测结果进行了可视化展示。基于列车运行实际数据,结合数据挖掘和机器学习的方法,完成列车晚点预测模型的构建,能够快速准确的实现对列车晚点的预测,为列车运行图优化和列车运行指挥优化,提高铁路运输服务质量具有重要的意义。