本研究报道了一种基于“数据驱动-物理机理”深度融合的解释性框架，用于重载列车制动系统温升预测和评估。首先，基于有限元方法构建车轮-闸瓦三维瞬态传热机理模型，并通过全尺寸1:1制动试验台验证其精度。以接触压力、线路坡度及车轮-闸瓦接触占比等六个特征为输入，依托已验证的机理模型生成高保真样本数据。在此基础上，构建GWO-CNN-LSTM-Attention混合预测模型，通过GWO全局寻优LSTM关键超参数，实现踏面温升的高精度预测。实验结果表明，所提模型的均方根误差（RMSE）较未优化模型降低66.5%。进一步引入SHAP可解释性分析，定量揭示了各特征对温升的边际贡献，发现车轮-闸瓦接触占比（WBCR）起主导作用。机理交叉验证证实，偏磨致使WBCR的值降至0.3，SHAP贡献值转正并陡增，其本质反映了接触面积缩减导致热流密度急剧放大，是诱发局部高温（超过700°C）及热损伤的根本原因。本研究构建的融合框架，为重载列车制动系统热负荷评估与在线实时预警提供了理论依据与技术路径。

关键词：重载列车；踏面制动；温升预测；GWO-CNN-LSTM-Attention；SHAP可解释性；摩擦热机理