铁路货运量预测研究文献综述
铁路货运市场分析与预测
铁路货运市场分析与预测铁路货运，这可是个相当有意思的话题！咱就一起来好好唠唠铁路货运市场的那些事儿。
先说说为啥铁路货运这么重要吧。
就拿我前段时间的一次经历来说，我去一个大型工厂参观，那里面生产的各种大型机械零件，又重又大，要运到全国各地去。
这时候，公路运输就有点力不从心啦，成本高不说，还不一定能装得下。
但铁路货运就不一样了，一列长长的火车，轻轻松松就能把这些“大家伙”都带走。
咱们来瞧瞧铁路货运市场的现状。
这几年啊，随着经济的不断发展，铁路货运的需求那是蹭蹭往上涨。
特别是在一些能源资源丰富的地区，像煤炭、矿石啥的，那都是靠着铁路货运来大规模运输的。
而且，电商行业的崛起也给铁路货运带来了新机遇。
你想想，咱们在网上买的那些大件商品，不少都是通过铁路运过来的。
不过呢，铁路货运也不是一点问题没有。
比如说，有些铁路线路比较老旧，运输效率就提不上去。
还有啊，铁路货运的灵活性比起公路运输来，还是稍微差了那么一点点。
再来说说未来的预测。
我觉得吧，随着技术的不断进步，铁路货运肯定会越来越智能化。
就像现在的高铁一样，未来的铁路货运列车说不定也能实现自动驾驶，那效率和安全性可就大大提高了。
而且，铁路部门也会不断优化服务，让客户们享受到更贴心、更便捷的货运体验。
比如说，提供更精准的货物追踪服务，让客户随时随地都能知道自己的货物到哪儿了。
另外，绿色环保也是未来的大趋势。
铁路货运在节能减排方面本来就有优势，以后肯定会更加注重这方面，采用更环保的机车和技术，为咱们的蓝天白云出一份力。
还有一个很重要的点，就是多式联运。
以后啊，铁路货运会和公路、水运、航空等运输方式更好地结合起来，实现无缝对接。
比如说，货物先通过铁路运到一个港口，然后再走水运，这样就能充分发挥各种运输方式的优势，降低成本，提高效率。
总之，铁路货运市场的前景那是相当广阔的。
不过，要想在这个市场里站稳脚跟，铁路部门还得不断努力，解决现有的问题，抓住未来的机遇。
我相信，未来的铁路货运一定会给咱们带来更多的惊喜！回想我那次在工厂的参观，看着那些通过铁路货运奔向远方的产品，就仿佛看到了铁路货运充满希望的未来。
基于灰色预测模型的铁路货运量预测
基于灰色预测模型的铁路货运量预测铁路货运量是衡量铁路运输发展水平的重要指标之一。
铁路货运量预测是铁路运输管理的重要组成部分，对于制定合理的投资和运输规划具有重要的指导意义。
目前，国内外运输管理部门普遍采用灰色预测模型对铁路货运量进行预测，本文将从灰色预测模型的基本原理、模型构建、模型评价等方面对铁路货运量预测进行探讨。
一、灰色预测模型基本原理灰色系统理论是由中国科学家李纪周教授提出的一种新型的系统分析和预测方法，简称灰色预测。
灰色预测是一种非常有效的模型，不需要大量的数据，只需少量的数据就可以对未来进行预测。
其基本思想是将数据分为灰色部分和白色部分，对灰色部分进行建模，通过对白色部分的分析，确定模型参数，进而预测未来的发展趋势。
灰色预测模型基本原理包括灰色数学和灰色建模两个方面。
灰色数学是指将不确定的因素通过内部联系表示为确定的因素，从而使模型有可预测性。
灰色建模是将灰色数学应用到实际问题中，通过对数据的特性进行分析，建立灰色预测模型，对未来的趋势做出预测。
二、铁路货运量预测模型构建铁路货运量预测是基于历史数据建立预测模型，通过对历史数据趋势进行分析，建立适合未来预测的模型。
在建立铁路货运量预测模型时，需要考虑以下几个方面。
1、数据的准备铁路货运量预测模型建立的第一步是准备数据。
数据应具有代表性、完整性、可靠性和连续性。
数据的时限应根据预测所需预测时段的长短而确定，过长或过短都不利于预测。
2、数据的稳定性和平稳性分析为了建立有效的预测模型，必须首先对数据的稳定性和平稳性进行分析。
只有稳定和平稳的时间序列才能够进行有效的预测。
3、模型的构建灰色预测模型的具体构建包括确定级数、构建GM(1,1)模型、验证预测模型和修改预测模型。
其中GM(1,1)模型是经典的灰色预测模型之一，其基本思想是通过对原始数据进行累加生成新的数据序列，再建立一阶微分方程的模型，预测未来发展趋势。
4、模型的优化建立铁路货运量预测模型并不止于构建GM(1,1)模型，模型的优化和改进也是关键的一步。
基于灰色模型的铁路货运量预测
基于灰色模型的铁路货运量预测铁路货运是国家经济的重要组成部分，货运量的大小直接反映了国家经济发展的水平。
对于铁路货运量的预测具有重要的应用价值。
在众多的预测方法中，灰色模型因其简单、直观、易操作，广泛应用于各个领域，且在时间序列数据的拟合和预测方面表现出良好的效果。
本文将以灰色模型为基础，对铁路货运量进行预测。
一、灰色模型的介绍灰色模型是由中国科学家陈纳德于1988年提出的。
它主要应用于数学建模、数据分析、预测和控制等领域。
灰色模型能够有效地处理少样本、不规则、短序列、非平稳、不规则的数据序列，并且具有较好的拟合和预测精度。
灰色模型是以小样本数据为基础，通过对数据的修正、推导和预测，得出一个合理的预测结果。
其核心思想是将不完备的信息转化为完备的信息，以便进行预测。
二、铁路货运量的影响因素铁路货运量的大小受到多种因素的影响，主要包括国民经济总量、工业结构、商品价格、货运需求等。
在进行货运量预测时，需要考虑到这些因素的综合影响，从而建立合理的预测模型。
通过对这些因素的分析，可以更好地预测铁路货运量的变化趋势。
灰色模型主要包括GM(1,1)模型、灰色马尔科夫模型、灰色Verhulst模型等。
本文将以GM(1,1)模型为例，进行铁路货运量的预测。
1.GM(1,1)模型的建立在建立GM(1,1)模型时，首先需要对原始数据进行累加生成新的数据序列，然后构建累加生成序列的一阶累减序列，进而建立GM(1,1)模型。
GM(1,1)模型的基本结构为：\[X^{(1)}(k) = (X^{(0)}(1) - \frac{b}{a})e^{-a(k-1)} + \frac{b}{a}\]\(X^{(0)}(k)\)表示原始数据序列，\(X^{(1)}(k)\)表示一阶累减序列，\(a\)和\(b\)为灰色常数。
2.模型参数的估计在模型参数的估计过程中，需要采用最小二乘法对模型参数进行估计，得出合理的模型参数。
3.模型的检验和优化建立模型后，需要对模型进行检验和优化，以保证模型的有效性和准确性。
国内物流需求预测方法文献综述
国内物流需求预测方法文献综述国内物流需求预测方法文献综述（河北工程大学管理科学与工程阮俊虎）物流需求是指一定时期内社会经济活动对生产、流通、消费领域的原材料、半成品和成品、商品以及废旧物品、废旧材料等的配置作用而产生的对物在空间、时间和费用方面的要求，涉及运输、库存、包装、装卸搬运、流通加工以及与之相关的信息需求等物流活动的诸方面[1]。
物流需求的度量可以采用价值量和实物量两种度量体系。
实物量意义上的物流需求主要表现为不同环节和功能的具体作业量，如货运量、库存量、加工量、配送量等；价值量意义上的物流需求是所有物流环节全部服务价值构成的综合反映，如物流成本、物流收入、供应链增值等[2]。
物流需求预测是根据物流市场过去和现在的需求状况，以及影响物流市场需求变化的因素之间的关系，利用一定的判断、技术方法和模型，对物流需求的变化及发展趋势进行预测。
国内外许多专家和学者都对物流需求的预测进行了研究，提出不同的预测方法和手段。
物流预测方法可以分为定性预测方法（如德尔菲法和业务人员评估法等）和定量预测方法，但多数是定量预测方法，因此，本文主要是对国内物流需求定量预测方法进行综述，归为时间序列预测方法、因果关系预测方法、组合预测方法等三类。
1．时间序列预测方法综述时间序列预测方法是依据从历史数据组成的时间序列中找出预测对象的发展变化规律，以此作为预测依据。
常用的时间序列预测模型有增长率法、移动平均法、指数平滑法、随机时间序列模型、灰色模型、以及在经济领域已经被广泛应用的混沌与分形等。
增长率法指根据预测对象在过去的统计期内的平均增长率，类推未来某期预测值的一种简便算法。
该预测方法一般用于增长率变化不大，或预计过去的增长趋势在预测期内仍将继续的场合。
刘劲等[3]（2002）在利用增长率系数法对百色地区港口货运量进行了逐一分析。
移动平均法是用一组最近的实际数据值来预测未来一期或几期内产品的需求量的一种常用方法。
当产品需求既不快速增长也不快速下降，且不存在季节性因素时，移动平均法能有效地消除预测中的随机波动。
铁路货运市场需求预测分析
铁路货运市场需求预测分析在现代物流体系中，铁路货运占据着至关重要的地位。
准确预测铁路货运市场的需求，对于优化铁路运输资源配置、提高运输效率、降低运营成本以及满足市场需求具有重要意义。
铁路货运市场的需求受到多种因素的影响。
首先，经济发展状况是关键因素之一。
当经济繁荣时，各行业的生产和销售活动活跃，对原材料、半成品和成品的运输需求增加，从而推动铁路货运量的上升。
相反，经济衰退时，货运需求则会相应减少。
例如，在工业快速发展的时期，钢铁、煤炭、石油等大宗物资的运输需求旺盛；而在经济增速放缓时，这些物资的运输量可能会下降。
产业结构的调整也对铁路货运需求产生显著影响。
随着制造业的升级和服务业的比重逐渐增大，货物的种类和运输特点发生变化。
高附加值、小批量、多批次的货物运输需求可能增加，而传统的大宗货物运输需求可能相对减少。
以电子设备、医药产品等为代表的高新技术产业，对运输的时效性和安全性要求更高，这对铁路货运的服务质量和运输模式提出了新的挑战。
政策法规的变化同样不容忽视。
环保政策的加强可能促使更多企业选择铁路这种相对环保的运输方式。
同时，政府对基础设施建设的投资政策也会影响铁路线路的布局和运输能力，进而影响货运需求。
比如，新建铁路线路的开通会扩大铁路运输的覆盖范围，吸引更多的货运业务。
地理因素也在一定程度上决定了铁路货运的需求。
资源丰富的地区通常需要向外运输大量的原材料，而经济发达但资源相对匮乏的地区则需要输入各类物资。
例如，煤炭产区需要将煤炭运往全国各地的能源消费地，而沿海经济发达地区则需要从内陆地区调入农产品和工业原料。
此外，市场竞争也是影响铁路货运需求的重要因素。
公路、水路和航空等其他运输方式的发展和价格变化，会影响客户对铁路货运的选择。
公路运输具有灵活性强、门到门服务的优势；水路运输在长途、大运量的货物运输中具有成本优势；航空运输则在时效性要求极高的货物运输中占据一席之地。
铁路货运需要不断提升自身的竞争力，以应对来自其他运输方式的竞争压力。
对于铁路运输统计与分析工作的思考的研究论文[五篇范文]
![对于铁路运输统计与分析工作的思考的研究论文[五篇范文]](https://img.taocdn.com/s3/m/6a63c8b2dc88d0d233d4b14e852458fb770b38fe.png)
对于铁路运输统计与分析工作的思考的研究论文[五篇范文]第一篇：对于铁路运输统计与分析工作的思考的研究论文钢铁企业铁路运输工作的统计分析是正确组织生产的最重要条件之一，是企业管理的重要环节、整个运输工作的总结。
它能及时反映工作的全貌，检查计划的完成情况，同时也是制定计划和改进运输工作的依据。
所以，统计与分析是加强计划管理、提高运输效率、改善计划不可缺少的工具。
通过统计分析可以找出工作中的薄弱环节，制定出完成工作的具体措施。
铁路运输统计工作比较复杂，计算的内容多，原始单据也多。
另外，各有关业务部门要求上报的统计报表内容不一致，车辆运输货物不固定，变化多，给铁路运输统计工作带来了很多的困难，使铁路运输统计工作量增加，所以怎样做好钢铁企业铁路运输统计与分析工作，必须认真研究找出一个切实可行的方法。
铁路运输工作统计与分析特点统计分析的特点是从大量的统计数字开始，紧密联系实际，从中发现问题，揭露矛盾，分析问题，分析经济现象变化的原因，揭示各现象之间的相互联系，概括出现象发展变化的规律性，对铁路运输生产经营活动的过程和结果作出实事求是的评价。
钢铁企业运输统计与分析工作通常都是有计划有步骤地进行的，一般说来有以下3 个工作步骤。
(1)在掌握大量统计资料的基础上，根据分析的目的和要求，对所研究的现象作解剖;(2)综合运用各种统计分析方法，在数字和情况的结合中，对解剖开来的各个方面分头进行系统的、深入的分析研究;(3)将各方面的分析结果综合起来，结合科学的预测，从中作出结论，提出建议，供各级领导参考。
统计与分析的任务为了做好统计与分析工作，起到总结和推动运输工作的作用，统计分析工作者必须熟悉各项统计规则与各种技术经济指标的意义、用途和计算方法，以及各种统计资料及分析资料的来源和有关指标相互间的关系等。
此外，统计分析工作者还必须深入现场，了解生产与运输部门各种业务情况，做到心中有数。
2.1 统计的任务(1)制定必要的规章制度，建立各种统计表报。
我国铁路运货量时间序列预测时间序列论文
我国铁路运货量时间序列预测时间序列论文中国的铁路运输一直以来都扮演着非常重要的角色，对于国家经济的发展起着至关重要的作用。
对于中国铁路运货量的时间序列预测具有重要的实际意义。
本篇论文将针对中国铁路运货量的时间序列进行预测分析，并提出一种有效的预测方法。
我们将收集到的中国铁路运货量数据进行整理，包括历史数据以及相关的影响因素数据。
历史数据是指过去一段时间内的铁路运货量数据，而影响因素数据则是与铁路运货量相关的因素，比如国内经济情况、铁路运输政策变化等。
通过对这些数据进行整理和清洗，可以得到一个准确的数据集。
接下来，我们将对整理好的数据集进行时间序列分析。
时间序列分析是指对一系列按时间顺序排列的观察值进行研究，目的是推断数据中存在的模式和规律。
通过时间序列分析，我们可以了解到铁路运货量数据的趋势、季节性、周期性等特征，从而更好地进行预测。
在时间序列分析的基础上，我们还可以应用一些预测方法来进行铁路运货量的未来预测。
常用的预测方法有移动平均法、指数平滑法、ARIMA模型等。
这些方法根据不同的特点和要求，能够对铁路运货量数据进行不同程度的拟合，并得到相应的预测结果。
我们可以通过比较不同的预测方法的准确性和稳定性，选择最适合的预测模型。
我们还可以通过对预测结果的分析和解读，得出对中国铁路运货量未来发展的一些结论和建议。
本篇论文将对中国铁路运货量的时间序列进行预测分析，提出一种有效的预测方法，并结合实际情况给出相应的建议。
通过这样的研究，我们可以更好地了解和预测中国铁路运货量的发展趋势，为相关决策提供参考依据。
铁路货运量预测研究 初稿论文
铁路货运量预测研究摘要：铁路货运量是确定铁路交通基础设施建设规模的主要依据，货运量预测结果的合理性、可靠性直接影响铁路工程项目的投资和效益，对制定未来铁路运输发展战略、合理利用资源、充分发挥铁路运输设施的效益都有着重要的意义。
论文在广泛参阅有关货运量预测文献的基础上阐述铁路货运量预测原理、方法和步骤，综合分析目前主要预测方法的适用范围和存在的不足，利用现代统计预测方法，扬长避短，克服了单一预测模型在铁路货运量预测中的局限性，并结合铁路货运量实际情况，实现综合预测铁路货运量的目的。
提高铁路货运量预测结果的合理性、可靠性。
对制定未来铁路运输发展战略、合理利用资源、充分发挥铁路运输设施的效益提供参考和依据。
关键词：铁路货运量；预测方法分析；目的与意义；研究分析1、绪论1.1研究背景，目的及意义1.1.1研究背景随着我国市场经济体系的不断完善和发展，特别是我国加入W TO以来，铁路运输部门更加感觉到物流业竞争的激烈性。
铁路运输是我国综合运输系统中最重要的运输方式之一，是我国物流业的主要载体，特别是在原煤、原油、粮食等大宗货物运输中具有不可替代的优势和作用，为我国经济高速稳定发展作出了重大贡献。
随着国外运输企业逐步进入我国的运输市场，铁路不仅要面对公路、水路、航空等其他运输方式迅速发展带来的激烈竞争，还要面对国外运输物流行业巨头的挑战，运输市场的竞争必将更加激烈残酷。
其次，随着建设和谐社会，可持续发展观念的增强，铁路自主创新技术和铁路第六次大提速，铁路货运又面临着新的发展机遇。
铁路部门要想在市场竞争中立于不败之地，不仅要在体制上进行改革，在业务应用、管理、服务上加强研究，企业领导和生产组织指挥者还要及时掌握市场发展的动向，适时研究制定适应我国市场发展的对策，提高企业的经济社会效益，增强自身的综合竞争能力。
为充分发挥铁路运输在国民经济发展中的作用，有效地促进新的历史时期铁路运输建设的健康、快速的发展，就有必要对铁路运输未来的发展趋势有正确的把握，这就需要对铁路货运量做出正确的预测。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
文献综述
摘要：铁路货运量是确定铁路交通基础设施建设规模的主要依据,货运量预测结果的合理性、可靠性直接影响铁路工程项目的投资和效益,对制定未来铁路运输发展战略、合理利用资源、充分发挥铁路运输设施的效益都有着重要的意义。
关键词：铁路货运量；运量预测；影响因素
引言
传统的运量预测方法，多是以各种运输方式自身的发展轨迹预测未来的走势,对旅客及货主需求的变化、运输价格、其它运输方式的发展、区域环境差异等方面的影响考虑不足，也忽视了市场对资源配置的基础性作用。
随着我国经济体制的转变,传统计划体制下的运量预测方法已经难以适应时代的需要,因此借鉴国内外各种运输方式在运量预测方面的方法,并与我国铁路的特点相结合，提出适应我国铁路运量预测的模型体系和方法，并使之实用化。
随着自然科学的发展和计算机应用技术的不断推广，产生了多种交通量预测的模型,预测的准确性也随之提高。
这些模型包括时间序列分析、时间聚类方法以及神经网络模型。
1铁路货运量的影响因素
铁路货运系统是多因素、多层次的复杂系统，与许多因素密切相关。
有些研究学者运用定性分析的方法分析铁路货运量的影响因素。
匡敏等认为国内生产总值、第二产业比重、原煤产量、钢产量、港口货物吞吐量、基本建设投资、铁路市场份额等都是铁路货运量的影响因素。
在定性分析铁路货运量的影响因素的基础上，国内外研究学者通过定量研究的方法对铁路货运量的影响因素进行筛选。
主要方法包括一元线性回归方法、多元线性回归方法、V AR模型方法和灰色关联分析方法。
周文杰等运用一元线性回归方法证明货运周转量对货运量具有重要影响作用，对货运量有较大的解释作用。
有些研究学者更进一步地运用多元线性回归的方法分析铁路货运量的影响因素。
宋光平通过多元线性回归模型证明GDP、第一产业增加值、工业增加值、公路货运量、水陆货运量、航空货运量、原煤产量、原油产量和钢铁产量对铁路货运量有显著影响。
龙忠芬通过多元线性回归模型证明地区生产总值、固定资产投资总额、进出口总额和社会消费品销售总额是广东省铁路货运量的影响因素。
V AR模型是对多个相互影响的经济变量进行综合分析的一种方法，在考察
各变量自身的影响的同时，还能考察来自其他变量的影响，并且可以详细的分析各变量之间的长期均衡关系以及短期均衡关系。
文书生和叶怀珍通过构建
V AR模型证明短期内，国内生产总值影响铁路货运量；长期来看，铁路货运量随着国民经济的增长而增长，随着铁路运营里程的增长而增长。
灰色关联分析方法是通过计算各个影响因素与铁路货运量之间的灰色关联度，对灰色关联度的大小进行排序，得出各个影响因素对铁路货运量的重要性排序。
范碧霞通过灰色关联分析法，选择国内生产总值、铁路运营里程、国家铁路货车拥有量、城镇居民家庭人均收入、农村居民人均收入作为铁路货运量的关键影响因素。
李瑞等从宏观经济方面、市场供需方面、物流环境变化方面选择具有代表性和量化的指标作为铁路货运量的影响因素，通过灰色关联分析方法选取第二产业增加值、煤炭运量、钢铁及有色金属运量、金属矿石运量、水路货运量、公路货运量、粮食运量、第一产业增加值作为铁路货运量的关键影响因素。
梅晓玲结合投影算法与灰色关联分析方法，通过灰色关联度与投影值的平均值选择铁路货运量的主要影响因素。
李松等选择国内生产总值、铁路运营里程、铁路复线比例、铁路货运周转量、铁路货运从业人员、公路运营里程、公路货运量作为铁路货运量的主要影响因素。
吴晓玲等选择国内生产总值、第二产业比重、原煤产量、原油产量、钢材产量、粮食产量、基建投入、港口货物吞吐量、铁路所占份额和公路所占份额作为铁路货运量的主要影响因素。
2铁路货运量的预测方法
Box和Jenkins构建了合理的Box-Jenkins模型，该模型应用于交通流量的预测。
尹左斌等认为，在铁路货运量的时间序列预测上，ARIMA模型的预测精度较好。
宋光平运用1978-2006年的铁路货运量历史数据，认为在加权移动平均法、趋势移动平均法、指数平滑法、ARIMA模型中，最适合的铁路货运量预测模型二次指数平滑模型。
胡洁琼等运用专家建模模型自动在几个时间序列模型中寻找到不同类型的时间序列中拟合程度最高的全社会货运量时间序列模型，简化了货运量预测的过程以及建模的速度。
童明荣等研究证明Holt-Winter
时间序列预测模型适用于基于季度数据的铁路货运量预测。
有些国内研究学者运用灰色理论建立铁路货运量灰色预测模型。
单丽辉和王强运用灰色预测模型基于1997-2004年的历史数据对铁路货运量进行预测。
张飞涟和史峰在灰色预测模型的基础上，考虑了随机波动性，建立了残差模型用以综合考虑各个随机因素对铁路客货运量的未来发展趋势的影响。
ScGM（1，1）c模型是在系统云的背景下，基于趋势关联分析和积分生成变换的灰色动态建模原理构造的模型，能够更大程度地从自身的历史时间数据序列中寻找到有用的信息，探究这些信息的内在规律。
李博采用单因子系统云灰色SCGM（1，
1）c模型对中国铁路货运量进行动态预测。
灰色预测模型的预测精度受原始数据的变化幅度的影响较大，并且该模型要求原始数据应该具有指数增长的特性。
为了改进灰色预测模型存在的缺陷，林晓言和陈有孝运用马尔可夫链的方法对灰色模型预测的结果进行修正，结合GM（1，1）灰色预测模型和马尔可夫链，提出改进后的灰色马尔可夫链预测方法。
王栋和米国际通过灰色关联分析方法，选择路运营里程、铁路电气化里程、铁路复线比重、公路运营里程、固定资产投资总额和钢材产量作为影响因素建立铁路货运量的神经网络模型。
刘婷婷等对神经网络预测方法进行改进，提出模糊神经网络非线性组合预测模型。
采用全局优化的粒子群算法优化后的参数，将灰色理论预测模型、三次指数预测模型以及多元回归预测模型的预测值作为模糊神经网络的试验数据。
白晓勇和郎茂祥通过差分法对神经网络模型输入数据进行预处理，消除了BP 神经网络的传递函数对非平稳时间序列预测的不利影响，改进的BP神经网络模型具有更高的预测精度。
雷斌等通过基于改进粒子群优化算法对常规的灰色神经网络的参数进行优化来提高预测精度。
除了以上主流的铁路货运量预测方法，还有一些其他的预测方法。
Hausdorff（提出分形和分维的概念，但至今为止尚无一个让人们普遍接受的分形定义。
Mandelbrot（为分形是由各个部分组成的形态，每个部分都以某种方式与该整体相似。
李红启和刘凯用分形理论来预测铁路货运量，通过计算铁路货运量时间序列集的分维并且解释分维意义，定量计算预测中国铁路货运量的发展水平。
波兰学者Z.Pawlak提出粗糙集理论。
该理论能有效分析不精确、不一致以及不完整的各种数据信息，通过对数据进行分析和推理，发现其中的隐含知识。
李红启和刘凯利用粗糙集理论具有分析隐含知识的优点，选择相关指标数据构建铁路货运量预测模型。
进一步，张诚和张广胜应用粗糙集理论，分别应用等距离法、属性约简方法对数据进行离散化处理，提取模型的关键指标，计算关键指标的重要程度并预测中国铁路货运量。
当前，关于铁路货运量的预测方法较多。
主要有时间序列分析方法、灰色预测方法、回归分析方法、神经网络分析方法、支持向量机方法、分形理论、粗糙集理论等。
在这些铁路货运量的预测方法中最具有代表性的就是时间序列分析方法、回归分析方法和神经网络分析方法。
时间序列分析方法利用历史数据预测未来数据，简单易行，但是无法得知铁路货运量的影响因素；多元线性回归模型可以研究影响因素与铁路货运量的因果关系，但是仅研究变量间的线性关系，无法全面科学地反应铁路运输系统的内部复杂性；神经网络模型通过黑箱操作能
够反应铁路运输系统的动态复杂性，但是无法判定影响因素与铁路货运量的因果关系。
3总结
综上所述，目前货运量的预测方法种类繁多，但在实际应用中仍有不足之处，一是预测方法单一,大多只采用一两种预测方法，对铁路货运量进行组合预测。
二是忽略对预测方法的适用条件进行检验，如多元回归预测模型要求变量间不能存在多重共线性，灰色预测模型的光滑度检验，ARMA模型中数据平稳性检验等;缺少对模型结果的统计检验、计量检验，如在ARMA模型中AR的单位根检验和MA的单位根检验。