调度指挥是铁路运输的核心之一,其方法和效率直接影响到铁路行车的质量和效益,是铁路行车的大脑和灵魂。国内外大量的研究指出,在铁路指挥人员的日常指挥工作中,仅有大约4%左右的时间用于其意识到冲突发生后选择和制定冲突消解方法和策略。大约16%的时间用于对行车计划的调整和实施,而占总工作时间的80%则聚焦于如何及时有效的判定即将或已经发生的行车冲突。目前我国铁路技术不断成熟,但在调度指挥领域,对行车冲突的预测,识别及控制仍然以人工经验为主,智能化和自动化水平低,难以适应铁路运行日渐严格的安全、正点、高效要求,已成为铁路发展的重要制约因素之一,亟待研究解决。针对铁路调度指挥系统动态环境下的冲突识别智能化,自动化水平较低,难以快速有效预测,判定和度量行车冲突的问题,本文在铁路调度指挥的范畴内,以动态环境下的行车冲突预测识别为研究对象,基于“时空演进”结合“预测感知”的创新思路,综合运用过程挖掘,场景重建,模式匹配,自适应预测和时空演进等技术,研究面向复杂动态环境下的基于数据感知的铁路行车冲突动态预测识别策略及技术,提出具有高效,智能,准确为特征的动态调度冲突预测识别方法,为复杂路网条件下的行车冲突动态预测识别提供一套有效的解决方案。本文首先针对行车事件数据挖掘问题,给出了基于信号状态的行车数据过程挖掘框架,挖掘算法和挖掘模型,并在此基础上提出了行车事件场景复建的最小化呈现模型,以及在复建模型上实现的行车事件时间抽取算法和冲突识别方法,并采用实际环境中的历史数据对模型和框架进行了验证。其次从行车事件时间预测问题出发,构建了基于数据挖掘和统计学习的时间预测模型,随后结合实际环境中行车事件的动态特征,构建了动态环境下的基于列车事件图的实时预测模型,提出了自适应算法对预测结果进行校正,并采用调度指挥系统的历史行车数据对模型和算法进行了验证。再次针对行车事件空间预测的问题,在分析信号状态与列车位置映射关系的基础上,分析了信号状态的不确定性,给出了基于信号状态的列车位置识别的基本模型,并在此基础上提出了信号与计划结合的列车位置识别模型,以及基于隐马尔科夫模型的列车位置识别与预测模型,并提出了数据震荡丢失抑制算法来优化处理可能发生的信号状态振荡和丢失现象。最后在行车事件时空预测的基础上,采用列车事件时空演进预测的方法,重点研究了基于行车事件预测的列车运行冲突检测策略和方法,构建了列车运营冲突检测的基本模型。结合列车事件时间预测和位置预测模型和算法,给出了行车冲突的预测框架,以及行车事件一步推演方法,并将其推广至一般化的行车事件多步预测,进而构建完成了列车运营冲突的时空演进预测模型和求解算法。