《Results in Engineering》：Railway Track Geometry Degradation: A Review of Prediction Methods
将轨道几何形位保持在公差范围内对于安全、高效且经济的铁路运营至关重要。本综述围绕总体退化趋势和孤立缺陷展开，综合了五类建模方法（经验模型、机理模型、统计模型、概率模型和机器学习），并依据五个标准对其进行评估：预测精度、不确定性量化、网络规模可扩展性、可解释性和计算成本。经验模型和机理模型以较低的计算成本提供透明、基于物理的见解，但通常缺乏动态列车-轨道相互作用建模和明确的不确定性估计。统计和概率方法（随机过程、马尔可夫链、贝叶斯推断）支持长期规划和维护调度，但需要大量高质量数据和仔细校准。机器学习方法——特别是随机森林和卷积神经网络-长短期记忆混合模型——在复杂的时空模式上实现了高精度；然而，它们依赖于符合欧洲标准EN 13848-1/-5的预处理、良好标注的数据集以及专用的可解释性措施。一个持续的跨领域差距是孤立缺陷的检测不足，这是由于标签稀缺和区段级指标（例如轨道质量指数/标准差）固有的平滑效应所致。优先方向包括：（i）通过知识蒸馏和量化实现低计算成本的混合框架，用于网络范围部署；（ii）多元贝叶斯和点过程模型，以联合表示纵向水平标准差/水平对齐标准差和局部跳变；（iii）物联网/边缘分析用于低延迟检测；（iv）可解释的不确定性（例如蒙特卡洛丢弃法、局部可解释模型无关解释/沙普利加性解释）。在精度、可扩展性、实时操作、不确定性量化和可解释性之间取得平衡，对于从反应性维护向智能、自适应资产管理的转变至关重要。
**1. 引言**
铁路轨道几何形位退化主要由重复的重轴载荷和恶劣环境条件引起，可导致维护成本增加、列车速度降低甚至脱轨。通过轨道几何测量车辆定期采集轨道几何参数（每25厘米采样间隔），主要目标包括检测超限点、评估整体状态以进行预防性维护规划，以及评估维护效果。欧洲标准EN 13848-2规定了测量系统通常配备陀螺仪、加速度计、激光器等设备。轨道质量指数（TQI）和轨道几何指数（TGI）是常用的聚合指标，用于将多个几何参数的数据压缩为单一数值，便于系统维护规划。机器学习技术的进步，如支持向量机（SVM）、随机森林（RF）和卷积神经网络-长短期记忆（CNN-LSTM）混合框架，已被用于分析轨道几何退化，利用时空依赖性提供可操作的维护建议。本综述将退化模型分为传统模型和机器学习模型，并通过五个标准（预测精度、不确定性量化、网络规模可扩展性、可解释性和计算成本）进行评估。明确区分了三种预测粒度：区段级指标（如100-200米区段上的均值/标准差（SD）和TQI）、逐点几何预测以及基于EN 13848-5的阈值超限事件（孤立缺陷）。提出了两层标注概念，将孤立缺陷与异常区分开，并概述了以部署为导向的研究议程，强调低计算成本混合建模、边缘分析和可解释的不确定性。
**2. 传统预测模型**
传统模型包括经验模型、机理模型、统计模型和概率模型，通常以预定义的数学或经验公式开始，然后通过历史数据校准参数。
**2.1. 经验模型**
经验模型从简单回归发展到混合框架，涵盖回归模型、机理-经验沉降定律、混合物理信息框架以及监测导向的经验系统。早期工作（如Guler等）通过多元回归识别了关键退化驱动因素，但无法捕捉后夯实快速沉降。Sato的幂律沉降模型将道床沉降（S）与通过吨位（T）、速度（V）等联系起来，但校准高度依赖现场。Arasteh Khouy等应用Bing & Gross和Sato模型于瑞典铁路线，发现纵向水平退化呈线性，而扭曲随老化加剧。Wang & Markine结合三维显式有限元模型与两阶段经验沉降定律，模拟了过渡区的沉降，揭示了桥端附近的沉降凹陷。Varandas等引入耦合非线性列车-轨道相互作用动力学的增量沉降公式，准确预测了悬挂轨枕和空洞形成。Offenbacher等通过传感器化捣固机械实现了连续道床状态监测，利用分形分析得出统一指数。Guo等综述了捣固机制，呼吁优化操作参数并集成机器学习。Sadeghi等通过大型剪切和板载试验表明，湿沙含量超过24%会急剧降低剪切强度，含水率超过9%则起润滑作用。Jovanovic等提出了模块化铁路维护管理系统（RMMS）架构，包括数据库集成、资产清单、退化-修复模型和基于规则的推理引擎。
**2.1.1. 关键综合与跨研究比较**
经验模型在网络级趋势预测和干预间平滑退化场景中表现最佳，高度可解释且计算成本低，但不确定性量化有限，通常仅限于拟合参数的置信区间。可迁移性受限于场地特定性（如当地道床质量、排水状况）。混合过渡区框架提高了物理真实性，但以建模工作和校准负担为代价。经验模型在孤立缺陷预测上通常表现不佳，因为大多数公式针对区段平均行为，而孤立缺陷源于局部刚度对比和短波长不规则性。
**2.2. 机理模型**
机理模型从简单分层函数发展到集成计算框架，涵盖分层沉降公式、基于物理的动态相互作用模型和机理-经验网络框架。Chrismer & Selig将总沉降分解为道床、底碴和路基分量，使用指数函数。Dahlberg通过有限元模型展示了低、中、高载荷下的不同沉降行为，并指出初始轨道不规则性（ITI）会加速退化。Rhayma等结合随机有限元与可靠性分析（蒙特卡洛模拟（MCS））来指导干预排序。Sadeghi & Askarinejad通过指数和四次多项式回归实现了高精度退化预测，初始TGI是最强预测因子。Lovett等提出了模块化RMMS框架，集成经验和机理模型。Zhang等提出了集成轨道退化模型（ITDM），统一了钢轨、轨枕和道床/路基子模型。Kumar等利用序列相关性和趋势检验将维修从基于时间转向基于状态。Andrews建立了佩特里网资产模型，结合蒙特卡洛模拟，优化了维护调度。
**2.2.1. 关键综合与跨研究比较**
机理模型在因果可解释性方面优势明显，通过分层刚度、道床塑性等提供物理可解释的杠杆。在五准则下，机理模型可解释性高，且精心校准时在站点或区段级能达到高预测精度，但网络可扩展性受限于对详细材料参数的需求和校准负担。性能对预测目标高度敏感：分层和回归类机理-经验公式通常能再现中期趋势退化，而基于物理的相互作用模型更适合捕捉非线性机制和局部响应。然而，机理模型并未自动解决孤立缺陷问题，需要高分辨率输入和现场验证。
**2.3. 统计模型**
统计模型分为确定性模型和随机模型。确定性模型基于数学方程，随机模型利用随机过程捕捉不确定性。
**2.3.1. 确定性统计模型**
多级分段线性预测模型（MLPM）将TQI演化划分为质量阈值阶段，拟合分段线性趋势，均方误差低至0.09 mm/300米。滚动更新短程预测模型（SRPM）通过每次新数据更新线性预测器，实现了高精度。多元回归模型（如Guler等）识别了退化阶段。Lyngby建立了后夯实阶段的指数模型和随后的指数趋势模型。Veit & Marschnig提出指数退化定律，强调早期预防性干预可减缓质量损失。Jovanovic将退化洞察融入基于状态的维护管理系统（CBM）。Shafahi & Hakhamaneshi比较了ORE幂律回归与马尔可夫链模型，后者通过明确建模过渡不确定性而表现更优。Famurewa等将指数退化与经验后夯实恢复相结合，优化了成本与轨道占用。Grossoni等提出了半解析沉降模型，耦合道床循环加载行为与车辆-轨道有限元动力学。
**2.3.1.1. 关键综合与跨研究比较**
确定性统计模型可解释性强、计算成本低，在常规检查周期下对区段级指标表现良好。但不确定性量化有限，且对响应变量定义、预处理和维修重置效应敏感。高精度结果在不同数据集和网络间无法直接比较，除非标准化这些因素。
**2.3.2. 随机统计模型**
随机模型通过统计分布和随机过程提供概率框架。Zhu等证明纵向水平和对齐不规则性服从高斯过程，功率谱密度（PSD）分析可隔离主导频率。Vale等使用Dagum分布表示纵向水平标准差演化，并采用蒙特卡洛方法生成维护计划。Ye & Xie比较了Wiener、Gamma和逆高斯（IG）过程，指出Wiener适合随机冲击，Gamma适合单调磨损。Zhou使用Daubechies小波分解后拟合ARMA模型。Chaolong等通过小波分解和混合线性-ARMA模型降低了30-40%的预测误差。Kawaguchi等发现指数平滑比线性回归在对齐增长预测中误差降低约40%。Xu等和Liu等提出了最小二乘和滚动更新模型。Guo等提出了三阶段线性模型。Ahmad & Kamaruddin比较了基于时间维护（TBM）和基于状态维护（CBM）的效率。Yousefikia等结合连续和离散时间马尔可夫链优化了有轨电车维护。Prescott & Andrews使用佩特里网集成道床退化、检查和决策逻辑。Xu & Zhai通过耦合离散元-有限元（DEM-FEM）随机场研究了道床刚度变异性。He等结合对数线性退化模型与Cox生存分析，实现了12-35%的成本降低。Caetano & Teixeira采用SD增长模型，并结合可靠性指标优化了捣固调度。Quiroga & Schnieder提出了基于正态的随机启发式方法。Letot等使用Wiener过程动态调整捣固。Audley & Andrews应用Weibull分布，表明捣固虽提供短期收益但加速长期退化。
**2.3.2.1. 关键综合与跨研究比较**
随机模型通过显式建模随机性解决了确定性方法的核心局限，支持概率预测。过程公式（如Wiener/Gamma/IG）为不确定性的表示提供了原则性方法，但实用性取决于测量误差处理、校准稳定性以及多元耦合。分布和空间-时间蒙特卡洛方法在网络规模异质性场景中提高了现实性。小波辅助ARMA变体通过多尺度特征提取降低了预测误差。关键权衡是随机模型通常需要更丰富的纵向数据和更强的分布/过程假设，可解释性随模型选择而变化，可扩展性受限于校准和模拟成本。
**2.4. 概率模型**
概率模型显式量化不确定性，包括马尔可夫模型、贝叶斯模型和蒙特卡洛模拟。
**2.4.1. 马尔可夫模型**
马尔可夫模型将轨道几何退化视为离散状态随机过程（如OK、D?、D?、F?、F?），状态转移由概率矩阵控制。Zwannenberg为瑞士铁路道岔和交叉口（S&C）建立了马尔可夫-可靠性框架。Bai等通过最大似然估计（MLE）估计转移概率，并推导出剩余维护持续时间曲线。Zakeri & Shahriari将齐次马尔可夫链与Weibull危险模型耦合，预测了六个月的磨损概率。Bressi等将马尔可夫预测轨迹与遗传算法（GA）结合，生成了帕累托最优的生命周期成本与可靠性前沿。
**2.4.1.1. 关键综合与跨研究比较**
马尔可夫模型在可解释性和不确定性量化之间提供了实用折中，状态定义和转移矩阵明确，计算效率高，自然与维护触发器对齐。但预测有效性取决于状态离散化方案和马尔可夫假设（无记忆性）是否合理。一阶链可能捕捉到整体退化趋势，但难以处理路径依赖和局部超限，除非通过协变量或优化层增强。
**2.4.2. 贝叶斯模型**
贝叶斯模型应用贝叶斯定理更新退化参数（如不规则性幅度和速率）的先验分布，产生后验分布。Andrade & Teixeira使用顺序贝叶斯更新，迭代锐化后验估计，建议在公私合作（PPP）中采用2-3年的预热期。分层贝叶斯模型（HBM）结合一阶条件自回归（CAR）先验，揭示了强空间相关性，且未更新区段退化速度至少快4倍。Tanaka等结合互相关位置校正和两步阈值法与贝叶斯更新，在15天内预测了局部退化。Chiachío等使用预测证据指标表明基于物理的模型早期优于现象学模型。Truong-Ba等开发了多元Wiener过程，通过分层贝叶斯马尔可夫链蒙特卡洛（MCMC）结合不完美捣固和Cholesky-LKJ协方差先验，实现了精确的命中时间预测。
**2.4.2.1. 关键综合与跨研究比较**
贝叶斯模型在退化参数不确定、空间异质且顺序更新时特别有价值，提供完整的后验分布、可信区间和超限概率。在五准则下，贝叶斯框架在不确定性量化方面最强，但可扩展性和计算成本可能受限。跨研究可比性常因先验、似然假设和预测输出定义的不同而受阻。
**2.4.3. 蒙特卡洛模拟**
蒙特卡洛模拟通过随机采样退化参数生成大量随机场景，获得未来轨道状态的经验分布。Quiroga & Schnieder拟合指数老化/恢复模型，表明捣固间退化呈指数增长。Andrews和Andrews等使用随机佩特里网结合蒙特卡洛采样，发现捣固无法完全恢复“如新”状态，甚至会加速后续衰减。Andrade & Teixeira发现对数正态分布最适合退化参数，捣固间隔在道岔和桥梁区段最短。Khajehei等通过蒙特卡洛评估预警限值（AL），发现最优AL约为1.5 mm，可最小化预防性行动。Mishra等实施顺序重要性重采样（SIR）粒子滤波器，产生长达18个月的剩余使用寿命（RUL）分布。Movaghar & Mohammadzadeh结合专家引出的贝叶斯先验与蒙特卡洛，计算了阈值超限的后验概率。
**2.4.3.1. 关键综合与跨研究比较**
蒙特卡洛模拟更多是一种通用不确定性传播引擎，而非独立退化模型，其优势在于灵活性和直接支持风险知情维护优化。但性能严重依赖于底层退化定律、参数分布以及维护恢复模型（完全重置与部分/不完美恢复）。研究一致表明，捣固等干预产生短期收益，但不会恢复“如新”状态，因此幼稚的重置假设可能导致长期规划中的过度自信调度。
**3. 机器学习模型**
机器学习模型包括SVM、决策树（DT）、随机森林（RF）和人工神经网络（ANN）等，用于区段级条件分类、逐点预测和基于事件的异常检测。
**3.1. SVM模型**
SVM通过核函数（如径向基函数（RBF））捕捉非线性关系。Raicharoen等提出关键SVM（CSVM）用于预测混沌时间序列。Hu & Liu开发了两阶段管道：先通过支持向量回归（SVR）预测异常幅度，再通过SVM分类严重性，在纵向水平、对齐和跨水平超限事件上分别达到76.82%、84.42%和73.10%的精度。Cárdenas-Gallo等将Gamma过程退化模型、二项逻辑回归和SVM集成，优于单一模型。Bergmeir等比较了多种模型，SVR在网络上排名第一或第二。Lasisi & Attoh-Okine将31个几何特征降维至三个主成分，使用RBF核SVM分类超限区段，给出了真阳性率（TPR）和假阳性率（FPR）。Lee等引入了增量SVR（ISVR）和在线SVR（OSVR），ISVR提升了约20%的精度。De Rosa等训练了DT、线性SVM和高斯SVM用于动态异常分类，高斯SVM实现了F1分数72.6%和Cohen’s kappa (κ) 0.69。Ghiasi等提出了两阶段无监督框架，使用单类SVM检测异常，检测精度超过92%。Falamarzi等使用ANN和SVR预测轨距偏差，ANN在直线段表现优异，SVR在曲线段表现领先。
**3.2. 决策树及其集成扩展模型**
DT和RF具有高可解释性和强性能。TCSexplORers团队使用DT实现了XLEVEL超限事件69.64%的分类精度。Mehrali等应用DT关联横向对齐与路基刚度，识别了主导几何阈值范围。Liu等利用地铁列车振动加速度的小波特征，结合K-means聚类和合成少数类过采样技术（SMOTE），使用RF检测罕见局部几何异常，F1分数达到0.9665-0.9707。Kaviani等使用RF回归对对齐退化进行预测，R2=0.92，识别出轮轨横向位移（LDWR）为关键预测因子。Falamarzi等使用RF回归预测有轨电车轨道退化指数（TDI），调整后R2=0.93。Balogun & Okine使用RF检测协变量偏移，精度高达99.04%。Sharma等将RF与马尔可夫决策过程（MDP）结合，削减了10%的十年成本。Bukhsh等应用DT、RF和梯度提升树（GBT）预测维护需求，GBT精度达86.2%，并使用局部可解释模型无关解释（LIME）突出了功能位置和资产年龄的关键性。Martey等使用RF回归评估了土工格室加固效果，RMSE低至0.00745。
**3.3. 人工神经网络（ANN）模型**
ANN包括前馈神经网络（FNN）、循环神经网络（RNN）及其变体LSTM和门控循环单元（GRU），以及CNN。Lee等使用ANN和SVR，表明至少两年的数据才能显著提高预测精度。Falamarzi等将轨距偏差作为退化指标，ANN在未修复曲线段表现优异。Khajehei等使用ANN预测纵向水平标准差，R2=0.906/0.850，识别出维护历史和后维护退化率等关键驱动因素。Guler为五个几何参数分别训练了ANN，R2在0.727-0.831之间，速度是最主要因素。Han等通过随机搜索优化深度神经网络，R2超过0.965。Sedghi比较了FF-ANN、简单RNN、LSTM和GRU，贝叶斯优化的GRU实现了96%精度。Wang等提出了CNN-LSTM混合模型，用于逐英尺预测，RMSE在0.0093-0.0119英寸之间，优于MLP、纯CNN和纯LSTM。Ma等进一步验证了CNN-LSTM预测车体加速度，MAE低至0.0062g，PCC达0.8984。Sresakoolchai & Kaewunruen使用CNN和RNN，基于模拟轴箱加速度（ABA）实现了99%的几何异常分类精度和84%的下沉接头严重性回归精度。Gerum等结合RF和RNN预测，嵌入MDP和Whittle-index调度器，实现了近乎100%的成本节约。
**3.4. 关键综合与跨研究比较**
总体而言，ML方法形成了互补工具包：SVM在有限数据和工程特征下提供强基线；树集成可扩展并提供可解释的驱动因素分析；神经网络在足够纵向数据下捕捉非线性时空结构。跨研究可比性和实际部署可行性取决于数据集规模、标签定义、不平衡处理和验证设计的透明报告。从维护角度看，最可信的前进方向是混合化：物理或机理约束提高合理性和可解释性，而ML贡献高分辨率检测和数据融合，共同实现不确定性感知和操作可靠的决策支持。
**4. 讨论与展望**
本文旨在全面分析铁路轨道几何退化预测模型，分为五类，并区分了两个互补预测目标：总体轨道几何退化（多尺度预测）和孤立缺陷检测与预测。
**4.1. 总体轨道几何退化：多尺度预测**
**4.1.1. 模型结果的比较分析与集成**
经验和机理模型：经验模型（如Sato定律）使用少量变量快速预测整体趋势，但缺乏动态相互作用和局部效应。机理模型（如DEM/FEM）提供物理细节，但需要详细参数和高计算成本。混合模型（如ITDM）结合了两者优势，但需平衡计算复杂度和输入数据量。
统计和概率模型：确定性统计模型（如MLPM、SRPM）通过多阶段回归实现可接受精度，但无法模拟随机波动。随机统计模型（如逆Gamma、Wiener、Dagum过程）通过随机过程处理不确定性，但参数校准困难。概率模型包括马尔可夫链（状态离散、无记忆性）、贝叶斯模型（顺序更新减少不确定性）和蒙特卡洛模拟（生成随机场景）。集成这些方法可提高预测精度和决策能力，但增加了计算和资源需求。
机器学习模型：SVM通过非线性核捕捉复杂模式，RF通过集成提高泛化能力，CNN-LSTM等深度学习模型在时空模式上表现优异。贝叶斯优化的GRU达到96%精度，CNN-LSTM结合空间特征提取和时间序列学习，RMSE低于0.01英寸。集成SVM和RF可进一步提高鲁棒性。MC Dropout等技术可生成置信区间，提高操作可靠性。
**4.1.2. 假设与局限性评估**
确定性模型基于多项式或分段关系，无法捕捉随机波动，长期预测精度不足。随机和马尔可夫模型参数估计复杂，无记忆性假设可能违反实际。机器学习模型需要大量预处理数据和精心调参，黑箱性质影响信任。所有模型依赖数据质量和数量，缺乏长期测量和孤立缺陷数据会降低泛化能力。DEM/FEM模拟和蒙特卡洛等高计算成本方法限制网络规模部署。
**4.2. 孤立轨道几何缺陷：检测与预测**
轨道质量指数（TQI）等聚合指标会掩盖局部极端值，孤立缺陷定义为基于阈值的局部超限事件（如EN 13848-5定义的AL、IL、IAL）。现有模型多聚焦于累积趋势和平均/标准差参数，由于孤立缺陷的稀有性和局部性，检测不足。原因包括：标签稀缺、统计模型假设连续性和均匀性、忽视EN 13848-1预处理步骤、以及区段级指标的平滑效应。
**4.2.1. 孤立缺陷预测**
文献中仅少数工作（如Khajehei等使用RUSBoost）直接处理孤立缺陷。多数模型（经验、确定、随机、深度学习）主要关注平均趋势，未能有效检测或预测孤立缺陷。
**4.2.2. 假设与局限性评估**
预处理不足（如去噪、分离超限样本）会损害关键特征。机器学习模型需要大量多样化标注数据，但孤立缺陷样本稀缺，导致欠拟合或过拟合。深度学习模型的黑箱性质限制可解释性。未来验证应量化不确定性和决策风险，并在多样化条件下测试泛化能力。
**5. 验证与真实部署考虑**
**量化不确定性的统计验证**：应补充置信区间、预测区间和风险曲线，以支持风险知情决策。不确定性分析应作为模型验证的一级组成部分，例如报告预测轨道几何参数的可信区间或绘制故障概率风险曲线。
**可复制性与可重复性准备评估（RRS）**：引入结构化报告审计，即RRS（0-14分），基于七个标准（数据可用性、代码实现、目标清晰度、预处理透明度、评估协议、不确定性报告、基线可比性）对代表性研究进行评分。多数研究在代码发布、预处理披露和泄漏安全验证方面存在瓶颈。
**多样化条件下的泛化评估**：模型应在异构数据（不同线路类型、交通模式、气候）上进行压力测试，以确保泛化能力。当前研究很少显式评估泛化性，未来应加入跨线路或跨条件测试。
**边缘维护系统中的真实部署**：部署需考虑模型大小、速度和可靠性。知识蒸馏和模型压缩（如将大教师模型蒸馏为轻量学生模型）可促进边缘部署，同时保留大部分精度。需管理假阳性和假阴性之间的权衡，采用分层响应机制。可解释输出（如故障概率或超限时间）有助于集成到维护计划中。
**6. 未来研究建议**
**开发低计算成本混合框架**：通过知识蒸馏将高精度教师模型（如CNN-LSTM）的知识转移到轻量学生模型，结合量化技术降低内存和延迟，实现网络范围部署。元学习（如MAML）可促进快速适应新轨道区段。
**拓展多元和跨平台模型**：建议开发多元模型，联合预测纵向水平标准差（SDLL）和水平对齐标准差（SDHA），探索动态贝叶斯网络（DBN）和点过程模型，结合PSD分析等光谱方法增强局部波动检测。
**建立孤立缺陷综合数据库**：按照EN 13848-1标准，对每个样本进行精确地理参考和详细标注（缺陷长度、幅度）。建议使用生成对抗网络（GAN）进行数据增强，并发布开源预处理和标注管道以确保可重复性。
**集成物联网和实时数据分析**：通过分层边缘计算框架（现场设备、边缘服务器、云端）部署异常检测模型，可降低延迟高达84%。建议补充可靠性导向的不确定性报告和多数据集验证。
**7. 结论**
本综述全面考察了五类轨道几何退化预测模型。经验和机理模型提供透明、低成本的物理洞察，但缺乏不确定性量化和动态相互作用。统计和概率模型显式建模不确定性，支持长期规划，但需要大量高质量数据。机器学习模型（特别是RF和CNN-LSTM）在复杂时空模式上实现高精度，但面临预处理和可解释性挑战。一个持续跨领域差距是孤立缺陷的检测不足，源于标签稀缺和缺乏EN 13848-1/-5兼容预处理。优先方向包括：（i）低计算成本混合框架（知识蒸馏和量化）；（ii）公开良好标注的孤立缺陷数据集和标准化预处理管道；（iii）边缘分析和分布式传感；（iv）可解释的不确定性。实现兼具精度、可扩展性、实时操作、校准不确定性和可解释性的模型，将是向智能、自适应铁路基础设施转型的关键一步。
