铁路运输是国民经济的大动脉,与我国社会经济的高质量发展和民生的改善息息相关,在综合交通运输体系中起着主导和骨干作用。近年来,随着经济全球化和区域经济一体化的深入发展,物流信息技术渗透至物流活动的各个环节,供应链延伸至整个世界范围,物流运输在时效性、可达性、经济性等方面呈现出需求多样化的特点。同时,在运输结构调整、“公转铁”以及“碳中和、碳达峰”等政策背景下,发展铁路运输成为推进运输资源合理配置、实现“双碳”目标以及降低社会综合运输成本的高效举措。因此,准确的铁路货运量预测成为铁路运输组织与运营的重要参考依据。区域铁路货运量预测是指依据历史铁路货运量统计数据和其他关联数据,运用预测方法对规划期限内区域铁路货运量的发展趋势进行预测的过程。区域铁路中长期货运量预测能够作为区域物流顶层规划、年度运输计划和营销策略的决策依据之一,区域铁路短期货运量预测是短期运输计划、空车运用计划编制以及流通加工、装卸搬运等物流辅助活动实施的参考依据之一。因此,研究预测精度高、稳定性好、鲁棒性优的区域铁路货运量预测模型,将其应用于货运实际是非常必要的。考虑到区域铁路短期货运量所呈现出的复杂非线性特征,引入模态分解理论建立基于分解-集成策略的区域铁路短期货运量预测模型。采用乌燕鸥优化算法（STOA）寻优变分模态分解算法（VMD）的参数以提升其分解性能,利用自回归积分滑动平均模型（ARIMA）在线性关系识别中的优势预测STOAVMD平稳分量,通过非线性拟合能力较优的SVM预测STOAVMD非平稳分量,重构所有分量预测结果,建立6种对比模型验证所建模型有效性。仿真结果表明,所建模型在应对短期数据的非线性、随机波动等特征时具有较好的预测表现力。考虑到区域铁路货运量受到多方面复杂因素的影响,构建融合主成分分析（PCA）、鲸鱼优化算法（WOA）和最小二乘支持向量机（LSSVM）的区域铁路中长期货运量预测模型。采用PCA方法提取样本数据的主成分作为LSSVM模型的输入,采用WOA算法对LSSVM模型的参数组合（λ,δ~2）进行寻优,构建PCA-WOA-LSSVM预测模型并进行实例验证。结果表明,所建模型在区域铁路中长期货运量预测中表现出了突出的优势。