作为运输基础设施建设的投资决策基础，货运量预测在国家和区域经济发展规划中具有十分重要的意义。货运量预测是指在调查货运量及相关因素历史数据的基础上，选择合适的预测方法，对未来运量及其变化规律进行估计，为制定有关政策、编制交通运输发展规划、物流园区及货运通道发展规划等提供科学依据；为物流企业经营、管理和决策提供科学依据。本文在分析了国内外研究现状的基础上，采用了多种方法对货运量进行了预测。主要完成了以下工作：（1）分析了传统RBF神经网络预测具有增长趋势的时序数据的局限性。一般的规划项目中需要预测若干年后的数据，但相关因素数据与目标函数值都呈增长趋势，因此不在神经网络的拟和区间，用于预测的输入数据总是在最后一个聚类中，因此以往的RBF神经网络模型精度不高。（2）提出了一种混合RBF网络模型，将时间因素与相关因素都作为该网络的输入。其中时间因素直接与输出端相连，因此该模型本质上是利用RBF网络对时序数据的线性残差拟和，该模型特别适合于预测具有增长趋势的预测目标。分析了RBF网络参数学习算法速度较慢，设计了基于最近邻聚类和梯度下降修正参数值的学习算法。（3）建立了ARIMA模型进行了货运量预测，并对结果作了分析。以RBF神经网络和ARIMA模型作为基本模型，构建了基于最优权系数的线性组合模型，并提出了最优权系数求解算法。（4）采用matlab语言实现上述算法，设计了货运量预测软件。分析了软件特点及基本功能。并运用某市货运量统计数据预测，验证了算法的有效性和软件的工程实用性。