为进一步缩小列车追踪距离以提高运力，研究了高速列车群组追踪运行轨迹预测问题；考虑长短期记忆网络(LSTM)模型处理序列数据的优势和卡尔曼滤波(KF)模型噪声处理的能力，提出了一种新型列车轨迹预测LSTM-KF模型；使用列车运行的历史数据进行LSTM模型训练，生成了列车轨迹预测曲线；KF模型结合预测结果和动力学机理，更正了计算结果，使LSTM模型预测的列车轨迹变得平滑；依托于高铁列控系统仿真测试平台的标准线路数据进行了仿真验证。仿真结果表明：在巡航工况下，30个预测步长后，LSTM-KF、LSTM和循环神经网络(RNN)模型的位置预测误差分别为78、798和911 m,速度相对真实值的预测误差分别为1、22和1 m·s~(-1),LSTM-KF模型的位置均方根误差(RMSE)分别为LSTM和RNN的7%和15%,LSTM-KF模型的速度RMSE分别为LSTM和RNN的14%和30%;在加速工况下，3个模型的位置预测误差均值分别为94、294和2 691 m,速度预测误差均值分别为0.09、10.05和2.74 m·s~(-1);在减速工况下，3个模型的位置预测误差均值分别为1 181、4 135和4 079 m,速度预测误差均值分别为1.14、6.01和13.52 m·s~(-1)。可见，LSTM-KF模型在不同运行工况下均能显著提升预测精度，能够有效生成长时域数据序列，为高速列车群组追踪运行提供决策。