La seguridad en la operación de trenes se considera uno de los criterios clave para trenes y bogies de alta velocidad. Si bien varios estudios de investigación existentes se han centrado en su medición y monitoreo, este estudio propone un nuevo y efectivo marco de predicción de seguridad en la operación de trenes. El coeficiente de descarrilamiento de las ruedas, la tasa de reducción de carga en las ruedas y la presión lateral en las ruedas se consideran las variables de decisión para el marco de seguridad. Se utilizan datos de condiciones reales de riel y señales basadas en vibraciones como datos de entrada. Sin embargo, los trenes y bogies avanzados están más influenciados por sus estructuras y mecanismos inerciales que por las condiciones ferroviarias y los entornos externos. Para reflejar sus influencias inerciales, se utilizan datos pasados de variables de salida como datos recurrentes. El marco propuesto comparte las ventajas de una red neuronal profunda general y una red neuronal recurrente. Para probar la efectividad del marco híbrido de aprendizaje profundo propuesto, se realizan análisis numéricos utilizando un modelo de tren-ferrocarril medido realmente y simulaciones de tránsito, y se comparan con las arquitecturas de aprendizaje profundo existentes.