近年来随着“一带一路”及“中国制造2025”等战略的实施,我国高铁技术不断往安全、快捷、绿色、智能化的方向飞速发展,成为了我国社会经济发展的重要推动力量。随着高铁技术及各类通信业务的发展,现有的GSM-R系统已难以继续支撑高铁通信服务需求,下一代高铁通信系统LTE-R将提供高效、高稳定性且超大容量的无线通信服务。随着计算机性能的提升,人工智能技术在各领域得到广泛应用。智能化是高铁技术及通信技术发展的必然趋势,利用机器学习技术优秀的感知力与学习能力,高铁无线通信系统可以获得更高的运维效率及更合理的资源分配。本文为了优化高铁无线通信系统在越区切换过程中的车地间无线通信服务质量,提升越区切换技术的有效性及可靠性,做出了如下创新性工作。(1)本文在对列车控制与服务网络流量时序序列的数学特征进行分析后提出了一种基于LSTM神经网络的列车控制与服务网络流量预测模型用于预测高铁车地无线通信数据传输速率需求,便于通信系统提前进行资源分配。本文提出了一种在单小区多列车无线通信场景下基于速率需求与地理位置信息的波束赋形功率分配算法,合理地为指向小区边缘区域的定向波束分配更多功率以提高波束赋形增益,优化了切换区域内列车的车地间无线通信服务质量。(2)本文提出了一种基于K-Trend-LSTM算法的高铁无线通信切换判决参数预测模型,将切换判决参数时序序列样本按其变化情况的相似程度聚合为不同类簇,以各类簇中的样本序列集为数据集为其建立独立的LSTM神经网络模型进行参数预测,该算法提高预测精度的同时减小了模型训练的工作量。本文基于该参数预测模型提出了一种C/U解耦架构下的结合参数预测的高铁无线通信双链路切换方案。该方案在切换准备流程中激活双播传输机制以降低宏小区间越区切换的通信中断概率,通过参数预测流程提高系统调度效率,所提方案有效提高了越区切换技术的有效性及可靠性。本文面向于下一代高铁无线通信系统,着重于将机器学习技术与越区切换相关技术相结合,利用循环神经网络强大的时间序列处理能力对高铁无线通信技术智能化提出一些探索性方案。