货运量预测关系到铁路基础设施建设、货运计划制定和货运站场的管理,因此铁路部门一直力图准确预测铁路货运量。传统的预测方法受到数据采集限制,仅依据铁路货运量自身的时间序列发展进行预测,其所依据的信息不够充分。随着数据采集技术的发展,采用更多的数据进行更充分的数据建模已成为当下预测发展的趋势。高维面板数据是一种截面维数远大于时间序列长度的数据形式,其所包含的信息较单一的时间序列更为丰富,能够为预测提供充足依据。但如果根据多维数据指标进行预测,则指标之间的矛盾使得数据的融合成为新的问题。本文提出一种先对高维面板数据分类降维,然后对每个类分别预测,最后对分类预测结果进行数据融合的预测方法。首先,使用数据筛选、模糊聚类的方法实现数据降维,并使用混乱度检验聚类结果。接着,指出每个类的预测结果间存在多重共线性,使用主成分回归的方法对数据进行融合。然后,根据广义回归神经网络计算速度快、不存在局部收敛、具有良好的函数拟合能力以及参数个数少的优点,将其作为预测工具。同时,指出广义回归神经网络的不足并提出改进:第一,计算样本间距离时没有区分不同维度的作用大小,第二,预测结果不能超过训练样本集的最大值和最小值。针对第一个不足,提出引入加权距离,改变不同维度的作用大小;针对第二个不足,提出在网络求和层的分子项中添加余项,改变网络性能;以及使用不等间距的增长率法拓展样本集。最后,以广州市1999-2015年的宏观年报作为基础数据,对本文提出的预测方法进行交叉检验,实验结果显示,预测误差在1.0%-9.0%之间。本文提出的基于高维面板数据的铁路货运量预测方法有着较高的准确率,稳定性也较好。但在改进的广义回归神经网络的研究方面还存在着一些不足,对广义回归神经网络添加余项的改进虽然能够使得网络预测突破原有界限,但是突破范围不受控制,有待今后进一步地深入探讨。