近几年,国家在对各省市制定公路基础设施建设方案以及确定相关投资规模大小时需要充分考虑公路建设所带来的效益,公路建设的效益来自于公路运输,公路运输的发展取决于公路货物运输量,因此本文的研究目标就是围绕用少量的模型实现31个省份公路货物运输量增长趋势的预测,通过采用先聚类后预测的方式减少预测模型和模型参数的数量,简化预测工作。具体工作内容如下:根据公路货物运输量时间序列数据的实际情况,提出一种时间序列聚类算法对31个省份进行划分。首先提出一种结合方差和距离改进的K-means算法,通过将方差与最大最小距离算法相结合,避免质心的选取存在随机性,且在每次迭代时,选取中位数代替均值作为新的聚类中心,消除离群点对聚类结果的影响,然后针对常用的时间序列相似度衡量方法动态时间扭曲存在计算复杂度过高的问题,通过约束搜索空间的方式,提出一种快速动态时间扭曲方法,同时引入剪枝策略,使其在保证聚类距离计算精度的基础上进一步降低计算复杂度,最后选取31个省份近十年的公路货运量月度数据进行实证分析,并与K-means算法以及改进前的时间序列聚类算法进行对比,证实本文所提时间序列聚类算法能够获取到更好的聚类结果。根据聚类结果对每类聚类中心省份的公路货物运输量进行拟合预测,进而掌握各聚类中心所属类中其余省份的增长趋势。鉴于一个时间序列既含有线性特征也含有非线性特征,因此仅采用单一预测模型对时间序列进行建模显然是不充分的,为了最大程度的对时间序列中的信息进行提取,本文采用ARIMA-PSO-SVR组合预测模型进行预测,并与ARIMA模型、SVR模型以及Stacking集成方法进行对比,通过预测效果评价指标平均绝对百分比误差以及均方根误差对模型的有效性进行评价。实验结果表明,ARIMA-PSO-SVR组合预测模型在公路货物运输量的预测中,更能够充分地反映公路货物运输量的变化规律,且具备良好的有效性和可靠性。