铁路运输作为我国的支柱性产业,在我国的社会经济发展中占有非常重要的地位,是一种适合大规模人员流动和物资运输的交通方式。现今社会,物流产业得到了快速地发展,给我国铁路运输带来了巨大的压力和竞争。随着我国“一带一路”的推进,更进一步的促进了国内工业以及贸易的提升,使国内和国外的贸易往来更加的频繁,也给我国水路运输带来了发展。这就使得对货运量的预测变得更加有意义,不仅可以为运营管理部门和运输企业合理配备运输力量给予一定的支撑,而且可以为货运系统相关规划布局提供可靠的依据,从而提高经济效益和社会效益。为了使货运组织更加有效的安排货物运输,需要对货运量进行比较准确的预测,主要的预测方法有时间序列预测、分形理论、支持向量机和神经网络等。本文主要采用粒子群算法优化支持向量机的方法对铁路及水运货运量进行预测。支持向量机在数据相对比较少的情况下,可以对货运量的非线性及随机性特征做出较好地描述,提高预测精度。本文首先对所用主要方法:支持向量机、粒子群算法和灰色预测的理论基础作出了简单介绍,为后续预测模型的建立做好铺垫;其次对本文研究对象进行数据分析,根据其不稳定性做差分运算,拟合相应的ARIMA模型并做出预测,实例表明该模型更适合于做短期预测;然后对一维时间序列数据进行相空间重构作为预测模型的输入,分别采用交叉验证和粒子群算法对支持向量机进行参数优化,并建立相应的预测模型;接着采用灰色GM(1,1)模型对货运量做出两种组合预测;最后对铁路货运量、铁路货物周转量和水运货运量分别做同样的预测,对比分析各种方法预测结果,证明了采用支持向量机和灰色GM(1,1)做组合预测的方法是有效的。