掌握高速铁路路基变形发展，对于变形病害控制与运营管理意义重大。目前机器学习方法被广泛应用于累积变形预测，而传统机器学习路基累积变形预测模型存在时间分布外泛化性差的弊端。因此，提出一种基于经验约束神经网络(ECNN)的高速铁路路基累积变形预测方法。首先，基于工程现场或室内试验数据构建路基累积变形预测数据集，并划分为训练集和测试集；其次，基于训练集建立神经网络模型，综合测试集上的预测精度与误差、预测不确定性两个层次结果，确定最优神经网络预测模型；最后，利用最优神经网络模型驱动路基累积变形的数据信息，并以损失函数修正的方式嵌入累积塑性应变关系曲线(经验信息)，实现对最优神经网络模型参数和损失函数的约束，完成ECNN模型构建。案例分析表明：双向门控循环单元(Bi-GRU)模型为最优的神经网络预测模型，拟合优度R2达到0.97259，扩展不确定性U95和标准化平均差fsmd仅为0.0156、0.18109；相较于Bi-GRU模型，ECNN模型在预测精度与误差、预测不确定性两个层次均更优，表明考虑经验信息约束的ECNN模型具备更强的预测性能；ECNN模型相较于Bi-GRU模型具有优异的时间分布外泛化性能，当训练集覆盖的时间跨度较小时，可有效提高累积变形的预测精度。研究成果可为高速铁路路基累积变形预测提供新参考。
