轨道交通控制与安全国家重点实验室（北京交通大学）、交通运输学院以及中国铁路沈阳局集团有限公司的研究人员张朴、孟令云和李宝旭，在《电气技术》增刊1（2019年）上发表了题为“基于支持向量机的高速铁路列车正点演化预测”的论文。该研究利用机器学习技术和方法，建立了基于支持向量机的高铁列车单次运行正点预测模型，并进一步扩展到全车次的正点预测模型。研究以京沪高铁为例，选取2017年10月至12月间蚌埠南至津沪区间的实际运营数据进行实例验证。

研究团队对原始数据进行了标准化和过采样处理，并对正点时长进行了离散化处理，构建了“正点混淆矩阵”来评估预测模型。结果显示，该模型对高铁列车的正点情况具有良好的预测效果。这标志着机器学习在高铁列车正点预测领域的初步应用，显示了其潜在的应用价值。

在铁路列车运行过程中，由于外部和内部因素的影响，列车可能会出现正点偏差。这些因素包括设备故障、交通事故、恶劣天气、非预期车流量或调度失误等。当这些干扰累积到一定程度时，会导致列车不能按时运行。然而，部分正点偏差可以通过调整运行计划和压缩停站时间等方式得以缓解，而其他偏差则可能持续恶化。

正点演化指的是列车在运行过程中，正点偏差的产生、传播、持续、恶化及恢复的整个过程。高速铁路列车具有速度快、班次频繁的特点，因此一旦出现正点偏差，其影响将更加复杂和剧烈。传统理论方法难以对此类问题进行有效研究。

目前，高速铁路列车正点研究主要集中在正点分布、正点仿真生成、正点传播链构建及正点恢复等方面。例如，刘岩等人分析了列车实际运行时间和停站时间与正点之间的关系。Briggs等人基于英国铁路数据建立了正点分布模型。刘健等人通过京沪高铁的数据模拟，得出了突发事件的概率。Yuan等人构建了列车正点传播模型，预测车站到达时间分布。Xu等人基于实际数据绘制了正点分布曲线，但未建立初始正点时长与原因之间的模型。庄河等人基于广铁集团的数据，研究了不同原因下的初始正点时长分布。

尽管已有研究指出了基于列车实际运行数据对运输组织优化的重要性，但关于正点演化的全面认识仍然不足。目前，关于正点演化预测和规律的研究还处于初级阶段。

近年来，随着计算机性能的显著提升，机器学习算法因其强大的数据分析能力而受到广泛重视。这些算法通过对大量数据进行预处理、降维、特征提取和关联分析，揭示出隐藏在数据背后的规律，为解决具体问题提供了指导。

随着铁路信息化的发展，列车实际运行数据的收集变得更加精确和标准化。海量的数据不仅有助于分析列车运行状况和线路基础设施使用情况，也为研究高铁列车正点演化及其内在机制提供了重要资源。

因此，本文尝试构建基于机器学习的正点演化预测模型，通过对高铁列车实际运行数据的特征提取和处理，结合支持向量机算法，实现了对正点演化的预测。研究结果表明，该模型对高铁列车的正点情况具有较好的预测效果。这标志着机器学习在高速铁路列车正点预测领域的初步探索，证明了机器学习方法在这一领域的应用潜力。