随着我国高速铁路的不断发展,动车组质量和运维效率也随之成为研究热点。当前动车组在运维阶段存在着全生命周期数据难以管理、故障预测分析不准确、自愈能力较差等问题。针对上述问题,本文提出了基于大数据平台和动车组数字孪生模型的解决方案。然而,数字孪生模型实现的基础在于数据的高实时、高保真,遗憾的是当前动车组采集到的监测数据存在不同步、维度高、不完整、不准确等一系列问题,导致数字孪生模型难以构建。所以,本文又着重研究了近邻传播(AP)和信息熵算法来一并解决动车组实时监测数据的不同步、不完整问题。最后,将算法应用到基于大数据平台的动车组数字孪生模型上进行数据预处理取得较好的效果。本论文的主要工作包括以下三点:(1)提出了基于大数据平台和数字孪生模型的动车组运维解决方案。阐述了基于大数据平台的动车组数字孪生模型总体框架,并利用最小二乘支持向量机(LS-SVM)实现了数字孪生模型中数据处理模式的自调整,建立了数字孪生模型的运行流程。(2)研究了动车组多源数据的产生及主要分类,对数字孪生模型用到的实时监测数据面临的几种亟待解决的问题进行了详细分析,对于其中难以解决的数据不同步、不完整问题提出了近邻传播(AP)和信息熵的序列模式挖掘算法进行数据填充和趋势预测。通过算法实验比较,本文提出的算法获得了类似算法中最好的处理效果。(3)基于Hadoop大数据框架对AP聚类算法进行Map Reduce并行化设计,实现了动车组数字孪生模型中的监测数据预处理功能,并通过实验比较了单机和集群条件下预处理算法的效率以及加速比,证明了本文所提出算法在并行化设计后对动车组实时监测数据处理的高效性。