换算周转量是铁路运输业的产品，其值对衡量铁路企业的经营效益，起重要作用。为准确预测换算周转量，很多学者提出各种单项预测方法来预测换算周转量，但组合预测模型在换算周转量中的应用并不多见。　　 组合预测是将不同的预测方法进行适当的组合，综合利用各种方法所提供的信息，从而尽可能地提高预测精度。理论研究和实际应用表明，组合预测方法比单一预测方法更为科学，因为每种预测方法利用的数据不尽相同，不同的数据都是从不同的角度提供各方面有用的信息。　　 组合预测的关键是确定加权系数，现有的组合预测模型大都以组合预测误差平方和为目标函数，通过使误差平方和极小化来确定最优加权系数。为了进一步提高组合预测的精度，有学者提出了变权重方法[1]，由于变权重的组合预测方法比较复杂，所以目前关于变权重的组合预测研究并不多见。神经网络在组合预测方面已经有了一些应用[2-6]，但是遗传算法与神经网络结合在组合预测方面还是很少的。　　 本文首先对常规的组合预测方法进行总结和分析；其次，在现有组合预测模型研究的基础上，采用遗传算法和神经网络相结合的方法建立了最优组合预测模型；然后，根据遗传算法优化神经网络初始权重的思想，运用Matlab语言编程实现了模型。最后，通过实证证明了此模型对于我国铁路换算周转量的预测是可信的，同时也表明未来几年我国铁路换算周转量仍呈上升趋势。