铁路货运需求预测是铁路货物运输系统进行整体规划的基础,是进行货运设备及资源有效配置并建设高效货运体系的重要依据,由于铁路大宗货物在铁路货物运输中占取相当大的份额,为了使铁路规划工作具有更强的针对性以及更有效的指导意义,研究专门针对铁路通道上的大宗货物运输需求预测技术与方法是十分必要的。本文将国内外铁路货运需求预测研究现状、技术和理论知识作为基础,以中国铁路为背景,结合铁路大宗货物运输需求的特性,开展了铁路大宗货物运需求预测技术及理论的研究。主要做了以下几方面工作:(1)分析大宗货运需求的来源以及影响因素等数据,构建大宗货物货运需求预测指标体系。(2)针对标准粒子群算法难平衡全局搜索和局部挖掘以及容易陷入局部最优的问题,对标准粒子群算法进行改进。(3)针对大宗货物运输系统特点,运用灰色模型弱化数据随机性并结合神经网络非线性拟合能力强的特点,利用改进后的粒子群算法对灰色神经网络结构以及个别参数进行优化,构建基于改进粒子群优化的灰色神经网络预测模型用于某地区大宗货物运输需求预测的求解。(4)针对目前国内现有的运输方式特点研究,考虑托运人在针对大宗货物选择运输方式影响因素的基础上建立效用函数,通过MNL模型用于解决计算线路对大宗货物运输分担率的问题,并运用改进粒子群算法对模型中的参数进行估计。(5)对“西煤东运”背景下的晋中南通道煤炭运输需求预测进行实证研究。实证研究表明,通过改进后的粒子群优化算法在对灰色神经网络模型中的初始权重、阈值以及网络结构进行优化后,提升了预测模型的稳定性及准确性,其平均相对误差仅为1.86%,并且利用改进粒子群算法对分担量计算模型中参数进行估计,最终求取的分担率的平均误差为4.9%,因此证明基于改进粒子群算法估计参数的铁路大宗货物运输分担量计算模型具有可行性。