铁路货运需求是全社会货运需求的重要组成部分,准确预测及掌握铁路货运需求及发展趋向,是铁路公司制定铁路发展计划的重要决策依据。经过数十年专家学者的研究,产生了大量优秀货运预测算法成果,然而货运需求的产生和发展与许多因素密切相关,这些因素也在不断发生变化,在这种不确定的环境下,如何对铁路货运需求进行更加准确的预测面临新的问题和挑战。目前货运需求预测算法缺乏有效手段使其能够在有限的建模工作量下对铁路需求市场中的群体研究分析,且预测过程中忽略了因受环境影响而使货运需求具有随机变化、突变性等不确定波动特点。本文针对上述问题开展了不确定环境下货运需求预测技术的研究,提出两种算法模型用于货运需求预测领域,具体研究内容如下:(1)针对铁路货运市场中需求侧众多、难以特定预测分析问题,创新性的引入聚类思想,建立符合货运特点的货运需求聚类算法。在不确定环境中的多种因素共同影响下,货运需求序列波动具有非平稳性和非线性的特点,从需求序列的时域角度进行局部化分析,将复杂多变的货运需求序列分解为若干个具有不同频率的分量,采用均值重构算法将分量进一步重构为高频、低频以及趋势需求序列,以此代表原始货运需求不同的局部特征,并结合k-means++算法,计算相似距离进行聚类分析。本文在货运需求数据集上验证算法的有效性,并对各类需求变化特点进行简要分析。(2)针对货运需求序列存在随机变化以及突变等不确定性波动问题,首先对铁路货运需求预测指标进行定性定量分析,在构建指标体系的基础上,建立将神经网络的非线性拟合能力与不确定理论结合的货运需求预测模型。通过对网络中的输出层权重进行不确定处理,重新定义预测目标函数,并引入不确定幅度以及综合不确定幅度定义,构建预测模型的求解线性方程组并进行优化求解,求解出货运需求可能的变化范围。在货运需求数据上进行实例验证,结果表明本文提出的模型预测效果优于现有模型,能够更好的应对货运需求的不确定性变化,提高预测精确度。