货物运输是铁路的核心业务之一,这种运输业务在全国货物的运输中起着重要的角色。全国铁路货运中心成立于2013年,目前正面临着新的发展机遇。铁路货运量预测未来的需求十分迫切,因此,货运量的预测是许多铁路企业进行车辆和资源调配的主要参考依据,通过对未来货运发展的情况进行分析,会发现很多新的问题带来,带来许多新的资源和新的机遇,到目前为止,有许多可用的方法对铁路货运量的预测,但是,随着国内市场环境的变化,对铁路货运量影响的因素也变得更加复杂多变,以往的方法也逐渐显现出他们的不足和局限的地方,对于一些定量方法,例如,回归方法,是通过历史数据的拟合来得到相应的预测函数,但是,此种方法只适合于少量的数据加以拟合,一旦数据过多,处理起来就显得力不从心,而对于机器学习方面的算法,通过训练集训练函数,可以将数据进行动态的纠错和整理,从而使预测结果更加准确。因此,需要引入一些适应现今时代发展的方法来进行运量预测,以弥补传统方法的不足。本文在首先分析了国内货运的大背景后,提出新方法的必要性和紧迫性;然后分析总结国内外相关文献分析得到目前的研究现状;通过分析国内具体市场环境,确定了7个因素,分别是:铁路货物周转量、国内生产总值、铁路运输业就业人员数、水路货运量与公路货运量之和、铁路营业里程、原煤产量和钢材产量;之后分别采用SVR算法、BP神经网络、Adaboost算法、梯度提升决策树GBDT算法进行了预测,得到了用这几种方法预测的货运量,并经过比较有了结论。总体来说,Adaboost算法稳定,准确率高,是一种较为理想的预测方式。