铁路货运是我国运输行业的一项重要组成部分。近年来,随着国际经济形势的不断变化以及我国相关政策的出台,铁路货运市场得到了迅速发展。铁路相关管理部门需要及时了解货物运输情况,掌握货运市场的发展动态,提前做好路线规划以及合理分配运力资源。因此,准确地预测货运需求有利于铁路部门规划未来发展,研究出科学有效的铁路货运需求预测方法就显得尤为重要,对铁路部门工作有一定的指导参考意义。目前国内外学者对于铁路货运预测技术的研究比较全面,总体上可以分为两类,一类是不考虑影响因素,通过分析历史货运数据进行预测,另一类是通过分析待预测序列与相关影响因素之间的关系进行预测。本文针对这两类预测方法各自存在的问题开展研究,主要工作内容如下:（1）提出了基于单元相空间重构的货运需求预测模型。根据历史数据走向预测未来发展规律的方法存在一定的主观性,并且在面对波动较大的货运序列时,预测精度有限。因此,引入混沌理论将单元时间序列重构到多维相空间,改进了求解重构参数的C-C法,确定输入结构并利用非线性模型预测。同时考虑到利用单一的预测模型有一定的局限性,引入分解集成思想减小预测误差,将原始的货运序列分解得到低频和高频分量,利用线性模型预测低频分量,利用非线性模型预测高频分量,最后将各分解分量的预测结果相集成。（2）提出了基于多元相空间重构的货运需求预测模型。通过分析影响因素预测货运需求的方法,通常是选用常用的模型对多变量建模以逼近原货运系统,但这并不能充分挖掘货运系统的真实性质,影响预测精度。因此,在货运预测领域中引入混沌理论发掘系统内部规律,并结合非线性模型拟合货运系统演变的动态规律,提高预测精度。首先分析总结了货运需求的影响因素,选取关键的因素建立指标体系,其次求解待预测序列与影响因素序列的重构参数,判断各序列的混沌特性以及构建多元相空间,最后将多元相空间矩阵与神经网络相结合进行预测,为现有的货运预测方法提供了一种新的思路。本文在货运集装箱数据集上验证了两种预测模型的有效性,并与其他预测方法进行了对比,实验证明提出的两种预测方法具有更高的准确度。