物流一词起源于上世纪30年代的美国,后经日本流入中国,经过不断的发展和完善,目前物流涵盖了七大部分:运输、库存、包装、装卸、流通加工、配送以及信息管理等环节。而作为现代运输主要方式之一的货物运输,是运输系统中重要关键的环节,特别是国家和政府提出推进“一带一路”建设的重大决策后,货物运输发挥着至关重要的作用。交通运输部认真贯彻学习了 2017年习近平总书记在“一带一路”国际合作高峰论坛开幕式上的讲话主旨精神,要在国家大部制改革中当好先行,努力构建开放综合型的交通运输体系,为“一带一路”的建设提供强有力的基础保障。鉴于货物运输在经济建设中的重要位置,其对于国家经济发展、产业结构调整、地区城市建设、卫生环境保护等方面都具有重要意义,很多学者致力于货运量的研究与分析,关于货运量影响因素、货运量预测的研究对于国家或者区域的经济发展具有非常重要的意义,目前研究方向主要分为货运量影响因素以及货运量预测两个方面的应用研究,并且研究对象主要是铁路、公路、水路货运量。对于货运量影响因素的研究主要的是基于灰色关联分析、BP神经网络敏感度系数、多元线性回归、支持向量机的平均影响值等方法应用于对各个运输系统货运量影响因素的选取。而货运量预测的研究是基于货运量以及相关影响指标的以往数据,采用科学合适的预测方法,对未来货物运输量以及变化规律进行预测和评估,从而为相关政策的制定、城市交通的规划、物流企业的经营等提供科学依据。目前对于货运量预测的研究,大都是采用单一预测方法,而货运量混合预测模型较少,因此本文主要建立货运量混合预测模型,基于历史相关数据对货运量进行预测。本文以全国1978年一2020年铁路、公路、水路货运量为例,在国内外学者研究的基础上,筛选出货运量相关影响指标的数据,并利用经典的灰色关联分析法（Grey Relation Analysis,GRA）探讨对于不同货运运输系统,货运量与其影响指标的关联度,然后基于主成分分析法（Principal Component Analysis,PCA）将初选指标降维,输出影响指标因素的主成分因子,将其引入预测模型中,作为混合预测模型的输入变量,结合狼群算法（wolf pack algorithm,WPA）,对正则极限学习机（Regularized Extreme Learning Machine,RELM）的连接权值、阈值进行优化,共同构建GRA-PCA-WPA-RELM混合货运量预测模型。为了评判本文所构建模型的性能,比较了传统BP神经网络、ELM、WPA-RELM模型对铁路、公路、水路货运量预测的结果。实验结果证明,在经过灰色关联分析挑选关联度较大影响指标以及主成分分析降维后,预测精度显著提高,证明了引入灰色关联分析以及主成分分析的有效性;将本文的混合预测模型与传统的机器模型相比,表明本文所设计的模型具有较强的预测能力和较高的预测精度,这充分体现了本文模型强大的特征提取能力和良好的非线性时间序列数据处理能力;另外预测结果也表现出国家政策对于模型预测的重要影响。为了能够更好地满足货物运输发展需求,及时提供准确科学的预测结果,更好地助力降低货物运输成本,增加货物运输的经济效益,建立科学可靠的预测模型是本文的出发点。