轨道质量对于铁路运输的安全性、乘客乘车的舒适性以及工务部门的维护成本有着深远影响。近年来,我国铁路在六次大提速的背景下,客货运均呈现出高速化、重载化的趋势,由此导致的轨道质量日益恶化也影响着行车安全和乘车体验,防止其进一步恶化成为了保障铁路运输的重要基础。传统的轨道养护方法主要分为“故障修”和“周期修”,已经无法满足铁路高速运行的需要。轨道质量的预测是指采用数学方法对采集到的轨道质量数据进行训练拟合,得到其发展趋势并对轨道质量未来的发展进行有效预测来对工务部门的养护工作提供一定指导。本文深入分析了国内外多个学者在轨道质量预测领域的研究成果,结合MATLAB对轨道质量的预测进行了仿真实验。文章采用轨道质量指数(Track Quality Index,TQI)作为主要研究对象,对灰色系统预测模型和神经网络预测模型等方法进行了系统分析研究。首先对数据进行异常去除以及里程校正;然后对数据进行数学分析,发现可使用灰色模型进行初步建模,得到TQI发展的大致趋势。在此基础上,文章重点研究了启发式搜索算法和神经网络模型在数据预测上的应用,对初步预测结果的残差进行校正以得到更加准确的预测结果,既分析了TQI数据发展的趋势性,也兼顾了其随机性。通过以上分析,本文首先针对传统的BP神经网络在处理小样本数据时出现的不稳定现象,在第四章中提出使用思维进化算法(Mind Evolutionary Algorithm,MEA)对BP神经网络进行初值优化。由于思维进化算法能够进行最优解计算,使用MEA优化后的BP网络进行预测得到的结果优于传统BP网络。但是,由于BP网络的训练算法是一种局部搜索算法,容易收敛至局部极小点导致训练失败,并且BP网络收敛速度较慢慢,当迭代次数增加时,网络训练效率大为降低。针对BP网络的这些固有缺陷,文章进一步提出引入新的Elman神经网络对TQI序列进行预测,提出一种将非等间距灰色模型和遗传算法优化的Elman神经网络相结合的预测方法(GM-GA-Elman)。首先通过非等间距灰色模型GM(1,1)得到TQI序列的大致发展趋势和残差序列,然后使用遗传算法对Elman神经网络的初始权值阈值进行最优解寻找,最后使用优化后的Elman网络进行TQI残差序列校正,最终得到一个更加准确的TQI预测序列。使用提速干线沪昆线上行的四段数据对模型进行验证,预测结果说明本文模型在多项统计指标上均优于传统模型。