交通运输与国民经济密切相关,货物运输业的发展更是影响着我国GDP水平。道路货物运输业为我国经济发展提供了基础性的服务,带动了地区经济的发展。科学合理地预测未来某区域货物运输量,对于交通运输规划,建设和管理是至关重要的。目前,绝大部分货物运输量预测都是基于传统预测方法得都到的,由于每种预测方法都有其各自的预测机理以及使用范围,致使预测结果准确度不高,从而也无法准确地了解货物运输量的发展趋势以及对经济的影响程度。因此,利用计算机工具提高货物运输量的预测精确度是亟待解决的问题。本文针对道路货物运输量预测问题,基于现有的研究成果,提出卡尔曼滤波与高斯核RBF神经网络融合算法(KF-RBFNN)预测道路货物运输量,具体工作如下:(1)本文研究了国内外现有运输量预测模型,主要有自回归移动平均(ARIMA)预测算法、灰色预测算法、神经网络算法以及融合(或者组合)预测模型,但是大部分都是基于传统预测算法。通过对比分析现有预测模型可知,神经网络模型的预测性能优于传统预测模型,且融合预测方法优于单一预测方法。(2)本文对卡尔曼滤波和RBF神经网络的预测机理及推导过程进行了研究,且研究了道路货物运输以及货物运输量预测的现状。基于道路货物运输量数据,构建了卡尔曼滤波和高斯核径向基神经网络的融合预测模型,并建立了预测模型的评价指标。(3)本文选取2016-2019年我国道路货物运输量数据,利用MATLAB进行建模仿真。首先对原始数据进行预处理,计算出货运量月度数据,归一化处理。然后建立高斯核RBFNN模型和KF-RBFNN融合模型,代入预处理后的数据进行训练和预测。最后利用预测模型的评价指标评判模型的预测性能。研究表明,KF-RBFNN的预测效果更好,该融合模型利用卡尔曼滤波补偿了高斯核RBFNN的缺点,使得模型更具有鲁棒性,泛化能力,预测值更贴近实际值,更能达到预期的效果,从而为运输管理部门提供参考依据。