铁路客流量是铁路运输评价体系中的一个重要指标,对客流量及其走势的预测,有助于运行图的调整,并直接影响到铁路运输调度系统的可靠性和实用性,因此如何精准地对铁路客流量进行预测显得尤为关键。由于客观因素的影响,铁路客流量呈现非线性的振荡特性,针对这一特性,本文在灰色系统原理和BP神经网络原理的基础上构建预测模型,以期能适应铁路客流量的非线性特征,提高预测模型的性能和预测精度。基于小样本数据的信息处理,灰色系统和BP神经网络在多个学科具有较高的使用率,本文将对二者进行深入研究提出改进方案,并构建预测模型应用于铁路客流量预测中,最终以组合预测的形式得到最优预测模型。通过对灰色技术的分析,发现传统灰色预测模型并不适用于非线性数据的预测,在此基础上通过构建基于缓冲算子的GM(1,1)预测模型和灰色幂模型验证其优良性,缓冲算子能够还原失真数据的本来面貌适用于各种数据序列包括振荡数据,灰色幂模型的幂指数能够根据原始数据的波动特征调整预测曲线,对非线性数据具有较好的预测性能。利用MATLAB构建对应数学模型,采用铁路客流量数据进行预测,其预测结果均高于传统灰色预测模型,均可用于灰色神经网络组合预测。BP神经网络具有强大的学习能力,但在传统的网络学习过程中可能出现训练缓慢或停滞、局部最小值等不利于网络训练的现象,针对这些现象对目前改进算法进行研究,本文中在自适应学习率的改进算法基础上设计进一步的优化方案,利用MATLAB编程实现模型的构建,达到网络快速有效收敛的目的。灰色预测模型和BP神经网络的组合预测能够弥补单一预测模型的不足之处,得到良好的数据处理和预测能力。采用改进型BP神经网络和GA优化灰色幂模型,构建对应铁路客流量预测模型,通过实例验证组合预测模型的优良性。