摘要：为利用列车的车体振动加速度来准确反演铁路的轨道高低不平顺值,提出一种基于灰狼优化算法(GWO)、卷积神经网络(CNN)和长短期记忆网络(LSTM)构建车体振动加速度与轨道高低不平顺值的关系模型(GWO-CNN-LSTM)。首先,将轨检车的实测数据根据轨道检测数据特点,采用莱因达准则进行异常值剔除的预处理;然后,利用处理后的数据以车体振动加速度作为模型的输入,以轨道高低不平顺值作为模型的输出,利用CNN学习车体振动加速度的波形信息,将CNN学习到的特征输入LSTM;最后,再用GWO优化LSTM模型的关键参数,进而反演出轨道高低不平顺值,为突出该模型的适应性,又随机选取了其他区段进行了反演。文中采用3个性能指标来评价模型,并与其他经典的方法进行对比分析。结果表明,GWO-CNN-LSTM模型的均方根误差、平均绝对误差和拟合优度分别为0.141、0.107和0.977,与单一的LSTM相比,GWO-CNN结合LSTM可以使拟合优度提高20.1%;与循环神经网络、BP神经网络和支持向量回归相比,所提出的GWO-CNN-LSTM模型其均方根误差降低68.1%~79.1%,平均绝对误差降低60.4%~68.3%,拟合优度提高27.7%~44.9%,验证了GWO-CNN-LSTM模型用于轨道高低不平顺值反演的有效性。GWO-CNN-LSTM模型为铁路轨道高低不平顺反演研究提供了新的思路。