随着我国综合国力的不断提升,我国高速铁路的发展也蒸蒸日上,给人民的生活带来了极大的便利。目前随着科学技术的不断进步和发展,无砟轨道已经普遍应用于全国范围内的高速铁路建设,成为我国高速铁路轨道运行的重要模式。然而由于各种环境或者人为因素的影响,无砟轨道投入使用之后会出现轨道板裂缝、路基下沉等问题,导致轨道板几何变形,严重威胁列车的行车安全。为有效规避轨道板变形给铁路平顺性和稳定性带来的风险,需要结合先进无损勘探手段分析轨道板变形成因,定位变形问题点。然而现有的检测手段主要是提升轨道板变形勘探的效率和准确度,难以保障及时有效地发现、处置可能发生变形的轨道板。因此需要建立一个能够及时有效预测可能发生变形问题的轨道板的模型以及时预警可能发生变形的无砟轨道,从而能更加及时有效地对相关轨道板进行针对性地处置,保证铁路运行的安全性,促进高速铁路无砟轨道的长远发展。本文提出一个专门用于预测铁路轨道板高度的Raynet模型,通过预测出轨道板未来一段时间内的高度值来推断轨道板是否可能发生变形,从而保障铁路运行的稳定。Raynet模型对传统的循环网络模型RNN进行了改进,提出BICT-SRNN模型,通过序列切分计算、信息断点融合等方式加速RNN计算,缓解其在输入长序列时计算时间长、难以训练等问题。再结合注意力机制使得模型能够更有重点的学习输入数据中的关键信息。还添加了位置编码以增强Raynet模型对数据的位置敏感性,提升模型的预测效果。本文的预测任务属于回归任务,即预测铁路轨道板的高低值。评价标准选用了回归任务常用的RMSE(均方根误差),为证明最终的模型与基础的LSTM模型以及经典的机器学习算法相比效果要更好,本文在同样的数据集上做了对比试验,最终本文提出的Raynet预测模型得出结果的均方根误差为0.313,相比LSTM模型得出的0.492的均方根误差,以及随机森林得出的0.522的均方根误差,Raynet模型的预测效果明显优于后两者。