需求预测是铁路货运组织和规划的基础。准确预测铁路货运需求,探索不同因素对铁路货运需求的影响程度,是科学制定铁路运输计划的前提,同时对于国家未来的铁路建设投资方向有重要的参考价值。铁路货物运输需求的实现需要一定的运输能力作为保证,它是市场需求与自身供给的制衡结果。铁路货物周转量是能综合反映宏观环境对货物运输的需要以及运输部门提供的货运工作总量的重要统计指标。因此,本文采用货物周转量作为反映铁路货运需求的替代性指标进行研究。本文首先通过文献梳理及资料分析,分别从宏观经济、物流环境、政策影响和铁路供给等四个角度入手,深入分析了不同影响因素对铁路货运周转量的作用机理,并结合模糊决策理论和机器学习方法,构建了一种多阶段混合式的特征选择方法。其次,采用随机森林回归算法建立铁路货运周转量预测模型。考虑到标准随机森林回归算法中通常采用经验参数,但这难以确保模型的预测性能最佳,因此本文提出采用灰狼算法对随机森林的参数组合(n_tree,m_try)进行优化,确定了基于灰狼算法优化的随机森林预测模型。然后,以南昌铁路局2008-2017年这10年间的影响因素数据集为基础进行实证分析,利用本文构建的特征选择算法筛选得到货车平均通过总重、公路货运量、货物日均卸车数、第二产业增加量、机车平均全周转时间、货仓总使用面积、货车旅行速度、装卸机械化比重、居民消费水平、货车周转时间、装卸全员劳动生产率、货物日均装车数、货场总建筑面积、机车平均牵引总重等14项铁路货运周转量的关键影响因素作为最优特征子集,并将其输入不同参数寻优下的随机森林模型对铁路货运周转量进行预测。通过对比分析实验结果,发现灰狼算法优化下的随机森林具有最佳的预测精度及计算效率,验证了该模型的可行性与有效性,可运用于铁路货运需求预测工作。本文的创新点主要有两点:第一,针对现有特征选择方法的不足,结合模糊决策理论和机器学习思想提出一种新的多阶段混合式特征选择方法,并得到铁路货运需求的关键影响因素,从而为调控铁路货运需求提供政策建议;第二,在得到关键影响因素的基础上,建立基于灰狼算法优化的随机森林预测模型,准确预测铁路货运需求,从而为铁路部门制定运输计划提供依据。