Este artículo aborda el problema de que la precisión de la predicción de la vida útil restante (RUL) para un catenario de tren de alta velocidad no es lo suficientemente precisa, lo que conduce a costosos y prolongados costos de mantenimiento planificado y reactivo. Un nuevo método para predecir la RUL de un catenario se propone basado en el método de aprendizaje de conjunto de optimización bayesiana. Tomando los datos de mantenimiento del catenario de subida y bajada de una línea de tren de alta velocidad como ejemplo, los datos de mantenimiento histórico preprocesados se introducen en el modelo de predicción integrado de optimización de hiperparámetros bayesianos para el entrenamiento, y el error cuadrático medio (RMSE) del resultado de predicción de RUL optimizado final es de 0.068, con un coeficiente de determinación (R) de 0.957, y un error absoluto medio (MAE) de 0.053. Los resultados del ejemplo de cálculo muestran que el algoritmo de conjunto de apilamiento mejorado mejora el RMSE en un 28.42%, 30.61% y 32.67% en comparación con los algoritmos de extreme gradient boosting (XGBoost), máquina de vectores de soporte (SVM) y bosques aleatorios (RF), respectivamente. La predicción de precisión mejorada sienta las bases para el mantenimiento específico de equipos y el mantenimiento del sistema realizado antes de que falle el sistema del catenario, lo que potencialmente ahorra costos y tiempo de mantenimiento planificado y reactivo.