客流预测是铁路客运部门的重要工作内容之一,尤其是在当前铁路运能快速增长、供需对比发生变化、铁路企业市场化改革的背景下,其重要性更加显著。从宏观层面看,中长期客流预测对铁路基础设施的建设、路网的规划、铁路客运产品的设计等有着重要的参考价值;从微观层面看,短期客流预测对帮助铁路部门优化售票组织策略、提高铁路客运能力利用率、提升铁路运输企业经营效益等,都具有重要意义。在此背景下,人们围绕铁路客流预测开展了大量研究并提出了众多预测方法,但是不同的预测方法各有各的适用场景,没有一种预测方法对所有预测场景都能适用,并且预测方法里往往含有各种参数,参数值的不同对预测效果也会产生较大影响。因此,如何在给定预测场景时选出预测效果相对最好的预测方法及参数,是一个值得研究的问题。为此,本文以铁路历史售票数据为基础,开展精确到具体的出发日期、车次、OD、席别的短期客流预测,并对五种模型在不同场景中的预测效果进行对比,分析其影响因素,通过提取预测场景中的特征信息及其与预测效果之间的联系,提出了利用机器学习进行预测模型优化选择的思路,构建并实现了基于机器学习的分类算法,以帮助铁路业务部门在不同的预测场景下选择相对最优的预测方法,改进预测效果。