铁路承担了我国大部分的长途物资运输和中长途旅客运输,是我国综合交通运输体系的骨干和主要交通方式之一。自2004年实施《中长期铁路网规划》以来,我国铁路发展成效显著,基本形成基础网络,发挥了促进社会发展、保障和改善民生的重要作用。但是,在经济发展新常态要求下,我国铁路仍面临路网布局不完善、经营压力大等挑战。而准确的铁路客运量预测有利于研究者对未来变化趋势进行分析,确定宏观发展战略和发展规划,为铁路选线设计、确定运输能力及改扩建方面提供重要支撑,帮助铁路运输企业掌握市场发展动向,合理安排运输调度工作,进而缓解铁路面临的压力。在客运量预测研究中,预测方法是决定预测精度的关键。传统的线性模型解释能力强但预测精度不高,神经网络模型(NN)预测精度高但内部机理模糊,不利于模型解释。为了充分发挥模型的优势,本文将铁路客运量研究分为线性部分与非线性部分。针对线性部分运用面板向量自回归模型(PVAR),通过脉冲响应和方差分解方法研究铁路客运量在受到系统中其他变量的冲击后的反应路径和影响程度,并且根据分析结果对影响因素确定权重。针对非线性部分运用NN模型,将线性部分研究中确定的铁路影响因素及相应权重,以加权和的方式作为输入样本数据,通过建立用粒子群算法(PSO)优化Elman神经网络的模型对铁路客运量进行预测。结果表明PVAR-NN组合模型的方式在提高模型预测准确度的基础上,增强了模型的解释能力。其中,PVAR部分对铁路客运量的影响因素进行变量筛选和权重选择,明确了影响因素的作用机制,弥补了NN模型内部机理模糊的不足,增强了模型的解释能力;NN部分应用Elman神经网络和PSO算法进行客运量预测,通过PSO算法能够实现全局搜索,快速收敛的特点弥补了Elman神经网络容易出现局部极小化、收敛速度慢的缺陷,增强了模型的预测精度,实现了模型解释能力和准确性的“双赢”。最后,本文通过PVAR-NN组合模型对我国各省市的铁路客运量作出预测,根据增长幅度的不同提出相应建议,探讨了如何提高铁路的运输效率,进而支持铁路运输系统的健康发展。