随着世界人口向城市集中,地铁网络成为了最有效的解决城市拥堵的大规模运输系统。然而地铁在行驶过程中产生的振动,会传向周围建筑物,以及通过建筑结构辐射噪声,影响环境并有可能产生安全问题。针对以上情况,技术和科学界已经付出了相当大的努力试图对该问题有一个更好的理解,以便采取控制措施。为了研究地铁振动对于地面的影响,可以使用传感器到现场进行实地测量。在测量完毕后,如何在整个信号中拾取并分析地铁振动信号是一个比较关键性的问题。现有通过人工处理的方式,按经验进行测量、判定和处理,但在数据量较大的情况下效率非常低下。本文针对在现场传感器测量得到的地铁振动信号中的有效部分,提出了一套基于机器学习的地铁振动信号识别方法,主要研究内容包括以下几个方面:(1)将地铁振动信号识别转化为一个机器学习中的分类问题。针对分类中数据不平衡问题,采用常见的欠采样方法予以解决。提出使用随机压缩采样方法保证每个样本都拥有相同的特征数。分析了不同机器学习模型针对本问题的性能,最后选用随机森林算法(Random Forest)建立分类模型。(2)提出了一种可以识别地铁振动信号的滑动窗口算法。针对算法的运行时间较长,对滑动窗口算法做了并行化的研究,并使用Spark框架将其进行并行化实现。实验表明,经过并行化后算法可以显著提高运行速度。(3)开发了地铁振动信号识别系统。通过将测量数据导入到系统中,系统自动完成地铁振动信号的识别,运行过程中可以观测作业的运行状态,同时还将运行结果进行了可视化展示。并采用某地铁线路的实测数据验证了系统的有效性。