铁路作为一种主要的交通运输方式,给人们的出行带来了极大的便利.为了提高我国铁路客运量短期预测的精度,主要做了以下工作:第一章首先介绍了客运量预测的研究现状,梳理了常见的定量预测模型及其修正模型,然后对模型的优劣进行了比较分析,最后阐述了本文的主要工作.第二章从年度数据出发,以变量间多重共线性问题为切入点,主要介绍了可用于修正该问题的五个常用的模型,这些模型包括逐步回归、岭回归、适应性LASSO回归、主成分回归与偏最小二乘回归.为了更充分地提取序列中的季节因子和趋势因子,在分析铁路客运量季度数据时,考虑对时间序列分解法、季节周期回归模型与季节性多元回归模型进行修正.在模型修正的基础上,通过构建组合预测模型,并运用拟倒数法、熵权法进行加权以进一步提高模型的稳定性和预测性能.第三章对我国铁路客运量年度数据预测模型进行了实证分析.结果表明,选取的五个模型的拟合误差均控制在3%以内,即各模型的拟合效果较好.同时,选取外推预测能力排名在前面的三个模型:岭回归、偏最小二乘回归和主成分回归,通过拟倒数法与熵权法对这三个模型进行了两两组合预测,发现基于岭回归与主成分回归的组合模型误差最小,其误差下降至原来的1/3左右.然后,将组合预测结果与其它常见模型进行了比较分析,经比较可知,其预测误差约为灰色回归组合模型的1/5,二次指数平滑模型的1/4.第四章对我国铁路客运量季度数据预测模型进行了实证分析.在构建季度数据预测模型时,首先对各预测模型作了相应的修正,经修正后模型的误差分别下降至原模型的1/6,1/13与1/5左右,然后将修正后误差较小的模型进行了组合预测,并将组合预测结果与常见的时间序列模型进行了比较分析,由比较结果可知,修正后的组合模型其预测误差约为SARIMA模型的1/9,Holt-Winters加法模型的1/5.