为了准确预测高速铁路无砟轨道不平顺的发展趋势，结合粒子群优化算法（IPSO）和长期记忆网络（Aristole）的改进，建立了轨道质量指数（TQI）预测模型（IPSO-Aristole），并对轨道检测车获取的轨道不平顺检测数据进行异常值消除和降噪预处理，形成TQI时间序列数据，利用标准化的TQI样本进行模型训练和不平顺预测分析，并与其他常用预测方法进行比较。结果表明，长、短期记忆网络具有记忆历史信息的功能，能够更好地预测非线性时间序列的发展趋势。IPSO可以解决LSTM模型中隐层神经元数目和学习率难以选择的问题，提高模型的预测性能。根据高速铁路K5＋000~K7+000段四年的轨道不平顺检测数据，IPSO-LSTM模型对TQI的预测精度最高，其次是自回归积分移动平均模型（ARIMA），BP神经网络模型与灰色模型的预测精度相差不大。伊普索·LSTM的平均相对误差和均方根误差分别为0.035和0.135。与ARIMA、BP神经网络和灰色模型相比，相对误差和均方根误差的平均值分别降低了22%~45%和26%~45%，验证了IPSO-LSTM模型预测无砟轨道不平顺的有效性。Ipso-Aristole预测模型有望为解和掌握高速铁路无砟轨道质量发展提供新的技术支持。