鐵路貨運量預測研究綜述

孟建軍,陳鵬芳,李德倉,胥如迅

(1.蘭州交通大學機電技術研究所,蘭州 730070； 2.甘肅省物流及運輸裝備信息化工程技術研究中心,蘭州 730070； 3.甘肅省物流與運輸裝備行業技術中心,蘭州 730070)

引言

鐵路貨運量預測是指依據歷史鐵路貨運量統計數據和鐵路貨運發展關聯數據，運用預測方法對規劃期限內鐵路貨運量的發展趨勢進行預測的過程[1]。近年來國際貿易快速發展，供應鏈延伸至全球范圍，在“一帶一路”和“公轉鐵”等政策助力下，發展鐵路運輸成為我國實現經濟轉型、構建綠色物流體系的重要舉措，因此，科學預測鐵路貨運量發展趨勢對于我國運輸結構調整、社會資源配置優化，以及鐵路貨運管理水平提升有著積極的現實意義。

鐵路運輸系統是一個處于多種因子共同作用下的復雜動態系統，系統的模糊性和不確定性使得鐵路貨運量的準確預測越來越難。傳統統計預測模型對原始數據序列要求較高[2]，通常在理論基礎上通過演繹推理建立數學模型，而在當前市場環境和經濟形勢下，傳統統計預測模型的局限性逐步顯現，亟需建立穩定性更好、預測精度更高、推廣能力更強的預測模型對鐵路貨運量進行預測，從而降低社會物流綜合成本，并為鐵路貨運組織與運營提供決策依據。

基于國內外研究基礎對鐵路貨運量影響因素和鐵路貨運量預測研究現狀進行總結，分析各種預測方法在鐵路貨運量預測中的應用，并對預測方法的最新改進方式和組合模型進行歸納探討，最后基于研究現狀展望鐵路貨運量預測研究趨勢。

1 鐵路貨運量影響因素研究現狀

對于鐵路貨運量影響因素分析主要采用定性分析和定量分析的方法。

1.1 定性分析方法

定性分析方法即預測者基于自身對于事物現象的了解對事物性質或發展趨勢進行主觀分析的方法[3]。趙闖等[4]認為鐵路貨運系統在受到外部因素作用時，對外部經濟系統也具有明顯的反作用，外部經濟需求和運輸系統供給對鐵路貨運規模作用顯著；顏保凡等[5]認為鐵路運輸系統的影響因素分為內部因素和外部因素，并對內部因素進行了深入研究。

定性分析采用非量化的手段對事物性質進行判斷，對于預測者的專業知識水平、歷史資料的完備程度、所處環境的穩定性有著很高要求，因此，無法全面反映鐵路貨運系統的復雜性，僅限于主觀判斷是否為鐵路貨運量的影響因素，而無法對其相關關系進行科學分析。

1.2 定量分析方法

定量分析方法以實證主義為理論基礎，對事物的判斷基于事物內部以及事物之間的邏輯因果關系。確定鐵路貨運量的重要影響因素方法主要有線性回歸分析方法、灰色關聯分析方法、VAR模型等。

1.2.1 回歸分析方法

回歸分析方法在科技預測、金融預測、物流需求預測等領域的應用較為成熟。周文杰等[6]以西北五省貨運量相關數據為樣本，采用一元線性回歸分析方法揭示了貨運周轉量與貨運量之間的線性相關關系，基于數據支撐的客觀分析驗證了定性研究結果；龍忠芬[7]以廣東省物流統計數據為樣本，建立多元線性回歸分析模型，得出地區生產總值等對廣東省貨運量有著顯著影響；張恒[8]以長三角地區1993年至2017年的貨運量為樣本，將主成分回歸、嶺回歸和Lasso回歸引入貨運量影響因素的篩選過程中，原始序列的多重共線性問題得到了有效處理。多元線性回歸通過準確劑量多元變量之間的相關程度和回歸擬合程度得出影響因素，但對交互效應和非線性因果關系的影響考慮不足。

1.2.2 VAR模型

VAR模型即在險價值模型，在金融風險估計中具有很高的有效性，充分考慮了多個變量作用下預測值可能出現的多種可能性。劉建強等[9]結合Granger理論，采用SVR方法分析了貨運量、客運量和GDP之間的關系，得出客運量與GDP之間不存在明顯的相關關系，這推翻了統計學和定性分析中認為這兩個因素顯著相關的結論，即認為傳統統計學未考慮序列的時間特性而產生了不合理結果(即“偽回歸”)，同時，得出貨運量與GDP發展存在長期均衡關系。

VAR模型將時間序列對于變量關系的影響納入考慮范圍，具備反映變量動態關系的能力，但其模型原理和統計估計方法存在固有缺陷，在不穩定環境下的預測存在偏差。

1.2.3 灰色關聯分析方法

灰色關聯分析方法(GRA)來源于灰色系統理論，可對不完全信息進行處理，通過分析數據序列曲線的趨勢找到隨機因素序列的關聯性，得出變量之間的相關性。

雷斌等[10]采用GRA方法篩選出影響鐵路貨運量的6個主要因素，建立基于改進粒子群算法(PSO)的灰色神經網絡(GNN)預測模型并應用于鐵路貨運量預測，結果表明該模型預測精度優于常規GNN預測模型；王棟等[11]通過灰色關聯度分析得出6個影響因子，將其作為鐵路貨運量的預測指標，建立BP神經網絡預測模型并進行模型測試，效果優于單一的BP神經網絡預測模型。上述研究表明，采用灰色關聯分析作為前置處理手段提高了模型的預測精度。

基于上述成果，分析總結鐵路貨運量影響因素研究現狀。

(1)回歸分析方法能夠表明多個自變量對鐵路貨運量的影響，但算法相對簡單，無法深入描述系統內部復雜的關系；VAR模型考慮影響因素作用下因變量發展趨勢的多種可能性，但模型的應用隱含了假設前提，不適用于動態變化趨勢逐漸顯著的鐵路貨運系統；灰色關聯分析對原始數據序列的要求不太高，應用于原始數據較為粗糙的情形。

(2)近年來，運輸結構調整、“碳中和，碳達峰”等政策背景下，既有鐵路貨運量影響因素和運行趨勢都將發生改變。而當前研究中，鐵路貨運量規模主要受到國民經濟發展水平、基礎設施及路網建設、政策支持、信息技術水平、國際貿易等因素影響，鐵路貨運量影響因素研究需緊跟政策環境的變化。

2 鐵路貨運量預測研究現狀

鐵路貨運量預測依賴于完備的鐵路貨運量歷史數據和關聯信息，在此基礎上準確預測的關鍵在于科學預測模型的建立。定性預測方法、定量預測方法和組合預測方法被應用于鐵路貨運量預測領域，并取得了顯著成果。

2.1 基于定性預測方法的鐵路貨運量預測

定性預測沒有標準化的模式約束，預測過程是一個綜合、思辨、對比論證的過程，分析結果因受主觀影響而富有張力。常用的定性預測方法有頭腦風暴法、專家會議法、德爾菲法、集合意見法、主觀概率法、對比類推法等[12-13]。

定性預測作為一種基礎思維方式，逐漸成為預測過程中必不可少的一步，該方法不再獨立于其他預測方法而存在，而是貫穿于鐵路貨運量預測的全過程。首先，鐵路貨運量影響因素分析必須依賴于定性分析方法的助力；其次，在使用機械化程序和數據控制程序進行定量分析時，必須有定性分析的輔助，否則定量研究就會成為純粹的數學分析[14-15]。

鑒于此，學者們不再單獨對鐵路貨運量預測的定性預測方法進行針對性研究，而是將其作為基礎手段，建立基于數據支撐的綜合預測模型，集定量預測方法與定性預測方法之所長對鐵路貨運量進行預測。

2.2 基于定量預測方法的鐵路貨運量預測

定量預測即在掌握數據資料的基礎上，運用統計方法和數學模型描述數據序列包含的變化規律，基于所得規律對預測對象的發展趨勢進行測算；目前，常用的鐵路貨運量預測方法分為兩類：基于統計學的傳統預測方法和基于機器學習的智能預測方法。

2.2.1 基于統計學的傳統預測方法

基于統計學的定量預測方法通常以已知的數學理論為基礎，預測過程是以假設為前提的演繹推理過程，應用簡便，常用的有：時間序列分析預測法和因果分析預測法。

(1)時間序列分析預測法

時間序列分析預測法探索時間序列的變動規律，認為過去的狀態會延伸至未來，據此進行趨勢預測。常用的時間序列分析預測法有移動平均法、指數平滑法、季節指數預測法、趨勢外延法和博克斯-詹金斯方法等。

宋光平[16]分別采用移動平均法、指數平滑法和博克斯-詹金斯方法(ARMA)及其組合模型對鐵路貨運量進行預測，研究表明，單一的傳統預測模型存在精度不高、外推性較弱等問題；湯銀英等[17]借助Holt-Winter模型對鐵路貨運量進行了預測，驗證了該模型在單品類貨物的短期預測中具有優越性。

數據序列不存在明顯的上升或下降趨勢時，我們稱其為平穩序列，ARMA適用于分析平穩序列，差分整合移動平均自回歸模型(ARIMA)可用于非平穩序列的分析。劉夢婷等[18]構建了基于SARIMA的預測模型，對我國部分年限的鐵路貨運量月度數據進行了短期預測外推；DEJNIAKD[19]使用ARIMA模型，對亞喀爾巴阡省和烏克蘭之間過境點的客運量進行了預測，驗證了ARIMA預測模型在短期網絡交通流量預測中的優勢。

上述研究表明，Holt-Winter模型可對同時含有趨勢和季節性的時間序列進行預測，兼容了移動平均和全期平均的長處；ARIMA模型預測只依賴于內生變量而無需外生變量，在短中期預測中準確率高。

總之，時間序列分析預測法易于建模且運算過程簡單，但對歷史數據的完整性要求很高；另一方面，將當下的環境延續至未來進行趨勢外推，忽視了影響因素的動態性和突發性變化，其隱含前提使得模型存在預測缺陷，因此，在中長期預測中效果不佳。

(2)因果分析預測法

基于實證主義理論的因果分析預測法，根據實物之間的因果關系來預測事物的趨勢。應用于鐵路貨運量預測中的因果分析預測法主要包含線性回歸預測和非線性回歸預測等。

因果分析預測法在鐵路貨運量預測中應用廣泛。PATIL等[20]基于印度孟買港2014—2016年的貨運數據，對規劃年限內的貨運需求量進行了預測研究，經驗證，多元回歸預測模型在該問題中表現出了突出的預測優勢，但其預測精度的提高僅體現在優于傳統時間序列預測模型；張岄[21]建立簡單指數平滑模型、霍特線性趨勢模型等多種模型預測鐵路貨運量，在該實例中四次多項式回歸預測模型的精度較高，可靠性強。因果分析預測法能夠理清事物發展的矛盾關系，模型置信度高，但建模原理存在固有的局限性，使得要建立一個全面反映數據序列內部復雜的因果關系模型是很難的。

總之，時間序列分析預測法和因果分析預測法建模方法易于理解，計算過程簡單易行，在解決環境變動不大和線性關系突出的問題中有著很高的實用性；但隨著經濟社會發展，傳統預測方法的缺陷逐步顯現，鐵路貨運量預測邁入了廣泛使用智能預測方法的新階段。

2.2.2 基于機器學習的智能預測方法

現階段，鐵路貨運量預測有著需求數據冗雜、預測對象動態變化的特點，基于機器學習的智能預測方法逐漸成為解決問題的首選。BREIMAN[22]認為，以模型驅動的統計建模方法本質是基于概率分布從而高度重視推斷，而以數據驅動的機器學習的根本則是最小化預測誤差。在基于統計學的模型預測中，通常“默認”所建立的模型是合乎事物發展實際規律的，在此基礎上通過無偏性等檢驗來降低已建立模型在預測過程中的誤差，忽視了所建立模型與實際變化規律之間的本質誤差。而基于機器學習的預測方法通過對數據自動分析獲得規律，并利用所得規律對未知數據進行預測，沒有了現有模型和假設前提限制，從而實現了上述誤差的規避。

常用的智能預測方法有：灰色預測方法、神經網絡預測方法、支持向量機方法和系統動力學模型等。

(1)灰色預測方法及其改進

灰色系統預測的典型特征是：其所使用的數據序列是在分析原始數列規律后新生成的，在鐵路貨運量原始信息不足的情形下效果甚佳，但由于數據完整性差只適用于中短期預測。灰色預測中常用的模型有GM(1，1)模型和灰色Verhulst模型。

張誠等[23]采用灰色預測模型預測鐵路貨運量，并引入馬爾可夫鏈優化輸入變量，研究發現，灰色預測模型的精度受原始數據變化幅度影響較大，具有改進的空間；馮社苗[24]采用灰色Verhulst模型預測民航貨運量，驗證了該方法在長期預測中的有效性；嚴雪晴[25]建立GM(1，1)模型對廣東省貨運總量及其構成進行了預測，以期為廣東省運輸結構和運力安排的調整提供理論參考。研究表明，GM(1，1)模型在原始序列規律性強、數列單調變化的情況下具有較強的適用性；灰色Verhulst模型為單序列一階非線性動態模型，樣本數據量小且運算簡單；兩種模型在特定的情形下預測高效，但泛化能力較弱。

灰色預測模型處理的數據序列完整性不高，且原始序列存在無序性，導致灰色預測在大多數情況下是粗糙的。為提高灰色預測方法的有效性，學者們提出了許多改進的方法。安永娥[26]等采用冪模型改進思想對原始序列進行處理，建立無偏灰色Verhulst模型進行貨運量預測；崔乃丹等[27]利用小波降噪提高原始序列的光滑度，改進后的模型預測精度更高；徐莉等[28]提出二次殘差修正的GM(1，1)預測模型應用于鐵路貨運量預測，經驗證，其預測精度高于GM(1，1)預測模型和一次殘差修正GM(1，1)預測模型。

列表對比不同改進灰色預測模型的改進原理和效果，如表1所示。學者們針對原始數據完整性不高、數據波動大，以及系統存在突變因素等多種情況對灰色預測模型進行了改進，使得在系統復雜變化的趨勢下，灰色預測模型的改進形式在鐵路貨運量預測問題中仍具有良好的適用性。

表1 改進灰色預測模型的改進原理和效果

(2)神經網絡預測方法及其改進

人工神經網絡預測模型是基于模擬人類大腦結構和功能而建立的非線性動力學預測模型，該方法有著并行計算、分布式存儲以及自適應和自學習的能力，在模式識別、信號處理、物流需求預測等多個領域得到了應用。

目前，最具代表性的神經網絡算法有BP神經網絡(BPNN)、灰色神經網絡(GNN)、徑向基函數神經網絡(RBFNN)、小波神經網絡(WNN)和長短期記憶神經網絡(LSTM)等。NAJAF等[33]建立線性回歸-BP神經網絡預測模型對伊朗部分省份的公路交通流量進行了預測，驗證了神經網絡預測模型在網絡流量預測中的有效性；程肇蘭等[34]建立LSTM網絡預測模型對月度和日貨運量數據進行了預測，經驗證，相較于ARIMA預測和BPNN預測，LSTM網絡預測在短、中期預測中優勢突出。

但人工神經網絡的工作原理和并行模式使其在應用中容易出現局部最優、“維數災難”等問題，在原始數據量較少且存在噪聲的情況下預測精度不太理想，學者們針對其預測缺陷進行優化。吳華穩等[35]基于向空間重構，對數據序列進行混沌識別，經驗證，改進后的預測方法在擬合程度和預測精度上優于傳統的RBFNN預測方法；宋娟等[36]引入交叉驗證算法來尋優廣義回歸神經網絡的光滑因子值，將尋優參數值賦予GNN模型進行鐵路貨運量預測，經驗證改進后的模型精度得到有效提升。

列表總結常用的改進神經網絡預測模型的改進原理和效果，如表2所示。BP神經網絡預測訓練時間長，存在局部最優問題；GNN預測的泛化能力不如其他神經網絡預測；RBFNN預測在多樣本情況下結構復雜、影響預測效果；LSTM預測在并行處理上存在不足。學者們對于神經網絡預測模型的改進主要針對上述模型預測的劣勢，以期提升神經網絡預測模型在鐵路貨運量預測中的應用能力。

表2 改進神經網絡預測模型的改進原理和效果

(3)支持向量機預測方法及其改進

支持向量機(SVM)是一種有效的機器學習方法，其推廣能力強，易與其他機器算法相結合，在小樣本、非線性及高維模式識別中很有優勢，在鐵路貨運量預測中得到了成功應用。

王治等[39]建立GA-SVM模型預測鐵路貨運量，采用遺傳算法對SVM的參數進行了優化，經驗證改進模型精度高于單一的RBF神經網絡；MOSCOSO等[40]以阿爾赫西拉斯灣港口為例，探索ANN模型與SVM模型的不同組合方式，對多式聯運貨運量進行預測，通過驗證建立了相對最優的組合模型，在滾裝運輸流量預測中效果甚佳；陳楠[41]采用改進的支持向量機對區域鐵路貨運量進行了預測，通過模糊信息粒化法和向空間重構法處理原始數據，驗證了改進模型的預測優勢。

SVM回歸的優勢在于對高維數據的處理，但高維數據的輸入伴隨著SVM模型結構的復雜和計算緩慢，原始數據的降維處理很關鍵。此外，支持向量機作為一種基于核函數的機器學習算法，其性能很大程度上取決于核函數選取和參數確定。因此，對SVM預測模型的改進主要在兩個方面：一是輸入數據的降維方法研究；二是支持向量機參數的優化。耿立艷等[42]通過灰色關聯分析對輸入數據進行降維處理，將分析結果作為最小二乘支持向量機預測模型(LS-SVM)的輸入，模型參數的優化通過隨機權重粒子群(SIWPSO)算法實現，經驗證，所建模型建模速度快且預測精度高。梁寧等[43]采用果蠅優化算法(FOA)為所建的改進支持向量機預測模型選取參數，經驗證，該模型預測效果優于傳統ANN和SVM等模型。

列表對比常用的改進支持向量機預測模型的改進原理和效果，如表3所示。通過主成分分析(PCA)、核主成分分析(KPCA)、最小二乘分析(LS)、粒子群算法、灰色關聯分析等方法對目標變量及其影響因素的數據進行降維，將降維后數據作為SVM模型的輸入，實現對SVM預測模型的改進，并結合參數優化等方式，提升預測精度。

表3 改進支持向量機預測模型的改進原理和效果

(4)其他預測方法

除了上述3種預測方法外，分形理論、粗糙集理論、系統動力學模型也應用于鐵路貨運量預測。張誠等[23]研究表明粗糙集理論在鐵路貨運量預測中有著計算過程嚴謹、計算方法靈活的特點，減少了主觀因素的影響；高洪波等[51]構建了基于分形插值的鐵路貨運量預測模型，該模型具有便于編程、符合客觀實際、預測精度高等優點；遲聘[52]采用K-MEANS聚類和隨機期望值相結合的方法，對鐵路貨運量短期預測方法進行了研究。

總之，定量預測方法的預測效果受原始數據影響較大，因此，需注重數據預處理、運算過程簡化、模型結構改進和參數優化，建立綜合性和容錯性更強的預測模型，才能更好地發揮其基于量化分析得出科學結論的優勢。

2.3 基于組合預測模型的鐵路貨運量預測

單一的預測模型無法很好地應對數據的突發波動和隨機變化，組合預測方法可以融合多種方法的優勢，降低單一預測方法的局限性。常用的組合預測模型可以分為四類：權重分配型組合預測模型、數據預處理型組合預測模型、模型參數和結構優化型組合預測模型及誤差修正型組合預測模型[53]。

(1)權重分配型組合預測模型

將兩種或多種預測方法按權重分配的方式建立新的預測模型。柯橋等[54]提出一種基于有序加權幾何平均算子(IOWGA)的賦權方法，對傳統灰色預測模型和神經網絡預測模型的組合方式進行了改進，運用所建立的模型預測了三峽樞紐2019—2022年的過壩貨運量，預測結果的均方誤差和均方百分比誤差都小于單一的灰色預測模型和神經網絡預測模型。

(2)數據預處理型組合預測模型

采用差分法、小波分析等對原始序列進行預處理，將處理后的數據序列作為預測模型的輸入。賀政綱等[30]利用滑動窗對原始數據序列進行動態更新，利用粒子群算法(PSO)優化灰色Verhulst模型的背景值，使用Fourier序列修正模型誤差，所建立的預測模型是一種基于數據序列動態更新的預測模型，預測誤差小。一方面，數據更新迭代能夠充分利用新生信息，從而提高模型對于突變因素的處理；另一方面，基于動態化數據和突發因素處理的預測模型為鐵路貨運量預測提供了新的研究思路。

(3)模型參數和結構優化型組合預測模型

對組合預測模型參數和結構進行優化后應用于鐵路貨運量預測。WAN等采用改進小波灰色預測模型對區域鐵路貨運量進行了預測，模型輸入變量的篩選通過灰色關聯分析方法實現，在此基礎上使用WD技術處理輸入變量，經驗證，所構建的GRA-WD-WNN模型收斂速度快、預測精度高；SADEGHI等[55]開發了一種新的ARIMA-ANN混合模型，用于預測集裝箱船的通行量，所建立的混合方法由具有混合訓練算法的優化前饋和反向傳播模型組成，研究考慮了拉賈伊港從2005—2018年的月流量數據庫，驗證了該組合模型在預測交通數據時相較于單一模型所表現出的優越性能。

(4)誤差修正型組合預測模型

采用誤差修正法處理模型的預測結果，以提高預測精度。BEZUGLOV等[56]研究了3種用于短期交通速度和行駛時間預測的灰色系統理論模型：GM(1，1)模型，GM(1，1)-傅立葉誤差校正(EFGM)組合模型，以及具有傅立葉錯誤校正的Gray Verhulst模型(EFGVM)，將它們與非線性時間序列模型進行比較，得出修正后的模型預測精度更高。

可以發現，單一的預測模型可作為深入研究和改進的對象，但不能成為科學決策的依據。組合預測模型將不同的預測方法進行有機結合，在結合過程中彌補單一模型的缺陷，對最優的組合方式進行修正和驗證，充分規避模型的劣勢，從而建立綜合預測能力和分析能力更好、泛化性能更優，魯棒性更強的預測模型。隨著經濟社會的發展，鐵路運輸系統中的動態性、不確定性因素影響更加突出，構建更優的組合預測模型成為提高鐵路貨運量預測精度的探索方向。

3 鐵路貨運量預測研究的發展趨勢

通過對鐵路貨運量預測方法和成果研究可以發現，現代控制理論、新興物流技術和計算機科學的發展促進了學者們對于鐵路貨運量預測的研究，適用于鐵路貨運量預測的預測方法和模型層出不窮，在內部結構復雜且動態變化的鐵路運輸系統中得到了廣泛應用。在此基礎上展望鐵路貨運量預測研究的未來發展趨勢。

(1)參數選取和結構優化等方式為單一預測模型創造持續改進的空間。引入效果更佳的優化方法，在灰色預測模型應用中選取更優的灰參數；改進在具體問題中應用新型網絡預測模型時，需花費大量時間進行網絡訓練才能確定最優結構的問題；支持向量機預測中參數優化和核函數的選取，是提高模型預測精度的關鍵。

(2)構建不確定因素、動態性因素影響下的組合預測模型。現有組合預測模型研究主要通過不同方法組合結構調整、組合模型參數優化來提高模型的預測性能，無法準確描述復雜環境下樣本數據的規律。因此，需考慮系統的不確定性和動態性，描述鐵路貨運量與其影響因素在動態變化中的相關關系，據此構建更加全面、科學、合理的系統化組合預測模型。

(3)基于海量、高維度、異構數據的預測成為該領域的熱點和難點。隨著經濟結構的復雜化和物流行業間的聯動化發展，統計所得的樣本數據將呈現出海量、高維度和異構等特性，而現有的處理方法和特征分析不具備處理冗雜數據的能力，傳統的組合預測模型解釋能力減弱；構建基于大數據特征的預測模型，應用集傳統統計學和人工智能所長的數據挖掘技術，將鐵路貨運系統中與貨運量直接、間接相關的數據進行挖掘分析，并基于所得規律進行預測，將成為鐵路貨運量預測研究的重要方向和熱點問題。

4 結論與展望

鐵路貨運量預測對鐵路物流頂層規劃、鐵路貨運組織和管理以及引導鐵路物流業健康發展有著重要意義。我國的科研人員針對鐵路貨運量預測關鍵技術方面取得了重大突破和許多科研成果，以預測結果“科學、合理、有效、準確”為根本目的，采用理論分析、數值計算、定性和定量綜合分析等研究方法，研究和建立了不同環境下的單一或組合預測模型，基于此，得到某區域內鐵路貨運量預測結果，最后形成了理論-技術-工程應用集成體系。

因此，在分類梳理并詳細研究已有各種鐵路貨運量預測方法和模型的基礎上，分析了鐵路貨運量影響因素確定和鐵路貨運量預測的研究現狀，在此基礎上展望了鐵路貨運量預測研究趨勢，并指明了潛在的研究方向，以期為鐵路貨運規劃和運作管理提供一定參考，鐵路貨運量預測展望如下。

(1)已有研究一般聚焦于單一或組合預測模型展開，所建立模型在特定期限內預測精度較高，期限范圍的擴大或縮小則會產生“疊加誤差”，導致模型預測精度降低。因此，需對鐵路貨運量的中長期預測和短期預測分別進行深入研究，從而建立在短期預測和中長期預測中都具有較高的綜合預測性能的組合預測模型。

(2)新冠疫情、地震等極端事件對既有的鐵路貨運量發展趨勢在短期內存在顛覆性影響，將這種突發的鐵路貨運量影響因素在模型中進行體現，并對短期內的鐵路貨運量變動規模進行測算，是鐵路貨運系統提升突發事件的應急能力所需要的。

(3)受到社會經濟發展影響，鐵路貨運系統存在周期性波動特征；區域貨物種類存在差別，使得區域鐵路貨運量存在季節性波動特征；受到極端天氣、事件和環保政策的影響，鐵路貨運量存在突發性波動。基于周期性、季節性、突發性因素等影響下的區域鐵路貨運量預測存在難度，但對其發展趨勢進行準確預測，將助力于區域物流能力和貨運規劃前瞻性的提升。