La temperatura del eje es un factor índice de las condiciones operativas del tren. La tecnología de pronóstico de la temperatura del eje es muy significativa en el monitoreo de condiciones y diagnóstico de fallas para realizar advertencias tempranas y prevenir accidentes. En este estudio, se utiliza un enfoque híbrido basado en datos que consta de tres etapas para la predicción de las temperaturas de los ejes de locomotoras. En la etapa I, se aplica el método de descomposición de modo empírico complementario (CEEMD) para el preprocesamiento de conjuntos de datos. En la etapa II, se llevará a cabo la memoria a largo y corto plazo bidireccional (BILSTM) para la predicción de subseries. En la etapa III, la optimización por enjambre de partículas y el algoritmo de búsqueda gravitacional (PSOGSA) pueden optimizar y ensamblar los pesos de la función objetivo, y combinarlos para lograr el pronóstico final. Cada parte de la estructura combinada contribuye con sus funciones para lograr una mejor precisión de predicción que los modelos individuales, cuyos procesos de verificación se llevan a cabo en los tres conjuntos de datos medidos para los experimentos de pronóstico. Se eligen experimentos comparativos para probar el rendimiento del modelo propuesto. También se realiza un análisis sensible del modelo híbrido para probar su robustez y estabilidad. Los resultados demuestran que el modelo propuesto puede obtener los mejores resultados de predicción con menos errores entre los modelos comparativos y representar efectivamente la tendencia cambiante en la temperatura del eje.