铁路货运量是衡量铁路竞争力的关键性指标,对货运量及其发展趋势的准确预测与把握,可为铁路运输组织及各级运输管理方案的制定提供重要依据,为发展铁路货运提供可靠的数据支持。目前国内外关于铁路货运量预测的方法研究较为深入,各种模型的预测性能和适用条件各不相同,因此应根据待预测的对象来选择合理的预测方法,充分发挥各预测方法的优点,保证预测结果的可靠性。SVM(支持向量机)是基于统计学习理论的一种学习方法,具有较好的预测稳定性,可以解决非线性、小样本、高维度数据的回归问题,能够较好应用于铁路运量的预测。本文从两个方面做了研究工作:一方面,首先从定性的角度分析我国铁路货运概况,阐述铁路货运量的相关量化指标,分析在量化指标方面、货运品类方面、与国外相比较和与其他货运方式相比等方面的铁路货运特征,总结归纳了影响铁路货运的宏观经济、物流环境、铁路自身等影响因素及各因素之间的关联度,筛选出重要的影响因素。另一方面,引入SVM对铁路货运量进行定量预测,为提高传统SVM预测模型的预测精度,弱化铁路货运相关影响的因素,在传统SVM模型基础上对数据进行两种方式的预处理,建立了基于模糊信息粒化法和相空间重构法的铁路货运量SVM预测模型。对北京铁路局近几年货运情况进行定性分析,然后收集石家庄货运中心货运量和北京货运中心的煤炭运量数据对模型进行了实例验证,最后通过与其他预测方法和传统的SVM方法对比,得到结论:相较于未经过处理的SVM预测模型和其他方法,两种数据预处理的SVM预测模型的精度提高,可用于铁路货运量预测。