铁路货运量作为铁路运输市场体系中的一个重要指标，它的预测历来是铁路运输系统中重要的研究课题。本文打破了传统铁路货运量预测的思路，着重考虑了铁路货运量数据的线性特征和非线性特征，在乘积季节模型和 LSTM 神经网络的基础上，建立了组合预测模型预测铁路货运量数据，并对预测结果进行了比较分析。
　　第一，通过分析铁路货运量数据的特征，发现铁路货运量数据呈现出明显的上升趋势和周期性特征，属于非平稳的数据。首先，通过差分运算对铁路货运量数据进行平稳化处理，确定乘积季节模型各个参数的取值范围。其次，利用AIC准则确定了各个参数的值，并进行了残差的检验。最后，根据残差的检验结果，选择采用有6个月的相对误差高于7%，RMSE值为2235，预测结果的整体误差较大。主要原因是铁路货运量数据中的非线性特征较为明显。
　　第二，针对铁路货运量数据的非线性特征，构建了基于 LSTM 神经网络的预测模型。通过实验选择了 LSTM 神经网络的各项参数，并对铁路货运量数据进行了预测。结果表明，有5个月的相对误差高于7%且部分月份的相对误差高于10%，RMSE值为2411，预测效果低于乘积季节模型。主要原因是LSTM神经网络对铁路货运量的整体变化趋势把握较差。
　　第三，为进一步提高铁路货运量的预测精度，分别设计了基于误差修正的组合预测模型和基于权重分配的组合预测模型对铁路货运量数据进行预测。结果表明，两种组合预测模型的预测精度均高于单一预测模型的精度，其中基于误差修正的组合预测模型的预测精度最高，RMSE 值为 1588，预测精度较乘积季节模型提高了28.9%，较LSTM神经网络提高了34.9%。最后，采用基于误差修正的组合预测模型对2018年11月-2019年10月的铁路货运量数据进行了预测。