伴随着中国经济的迅速发展,人民生活水平的不断提高,我国铁路事业也取得了空前的发展和繁荣,但仍面临着挑战.如何令铁路的运输能力适应国民经济与社会发展的需求,是我国铁路事业面临的主要困难.铁路客运量对铁路运输调度有着直接影响,因此如何准确地对铁路客运量进行预测显得尤为重要.由于铁路客运量数据具备非线性,时变性及不确定性,因此很难对其客观规律进行准确描述.不同的预测方法预测准确度不尽相同,且单一预测方法通常会有一定的适用范围和限制条件,容易出现预测结果不稳定的问题.Bates和Granger提出组合预测模型的预测性能相较单项预测模型更优,这是因为单一模型只能反映出数据的部分信息和变化规律,而组合预测模型能弥补这一缺憾,综合运用多种预测的方法进行组合预测,能够提高整体预测的效果.本文在充分考虑铁路客运量数据特征的基础上,在组合预测模型中引入概率权,根据切比雪夫定理确定权重下限,构建BP神经网络模型,GM(1,1)模型以及ARIMA模型的概率权组合预测模型;再改进BP神经网络模型,提高组合模型整体预测精度.本文的主要工作如下:(1)考虑到铁路客运量数据的不确定性,需要将多个不同的模型组合成新模型对铁路客运量进行预测,根据数据的不同特性,分别选择如下的单一模型:根据数据具有类似于时间序列的形式,选取ARIMA模型;根据数据的样本数量,选取GM(1,1)模型;根据数据的非线性性,选取BP神经网络模型.(2)根据概率与权重系数的同质性,以此确定单个模型的最优权重系数.由于组合模型的预测精度主要取决于各个单一模型的优劣,对BP神经网络模型进行改进,通过增加其隐藏层数,用Softplus替换Sigmoid作为激活函数来提高它的预测精确度,得到新的组合预测模型.再分别选用等权重平均法,方差倒数法及熵权法这些不同的组合方法,建立组合模型来进行横向比较.本文选用平均绝对百分比误差(MAPE)与均方误差(MSE)作为评价指标对比各模型预测结果,发现本文提出的组合模型的预测精度更高,波动更小,结果更可靠,证明了该组合模型的有效性与实用性,能够为有关部门预测铁路客运量提供有效的参考.