随着更多高新技术引入铁路行业,铁路行业的效率和准确率得到了提升,同时也在一定程度上提高了铁路行业的运输效益。在如今的货物运输市场中货物运到时间现在已经越来越成为企业和顾客在选择货物运输方式所关注的重点,为了应对运输市场竞争,特别是在白货等高价值货品运输量不断上升的今天,在既有的货物运到时间的预测模式下,由于货物运输的报文数据量巨大,路网线路和交通节点繁多以及不同特征的车辆没有区分,导致现有的铁路货物运到时间预测方法已经无法满足顾客对于货物运输时间准确性的要求;此外精准的铁路货物运到时间预测,能使调度人员在调度全局时更能准确的把握可能到达的车流以及不同种类不同数量不同方向的车流在当前站经过技术作业所需要的时间,在顾客需求和铁路调度两方面来说都是亟待解决的问题。本文主要对以下4个方面进行了研究:(1)查询了以往学者对铁路货物运到时间预测的相关论文,分析了可能会影响货物运到时间预测的因素以及铁路货物运到时间预测的难点所在。由于铁路货物运到时限是货运部门对顾客承诺的最长运输时间,但实际货物运达时间往往会产生延期较多的情况发生,无法保证顾客和铁路行业双方的利益。(2)根据对比以往学者对铁路货物运到时间的预测,简要阐述了各个时间预测方法,分析并指出各个预测方法中不完善的地方,从而提出了新的铁路货物运到时间预测方法。(3)完成了大数据平台下随机森林算法的构建,根据大量的车辆到站报文信息,提取其中的部分可能对运达时间有影响的特征向量,将其作为自变量,建立单个回归决策树将整个向量空间分为若干个分区,构建完整的随机森林,并对决策树进行学习训练,输入自变量后会得到相对应的决策树预测时长的合集,并对其求平均值,得到最终货物运达时间预测值,在此基础上根据预测时间与实际时间进行比对分析误差。(4)回顾了整个随机森林算法,并根据实际预测中存在的问题和不足进行了分析,提出了可能的解决办法以及未来优化方向。