（1）分析国内外研究现状，总结归纳出目前铁路货运量预测模型存在的一些问题：影响指标选取不充分、模型结构单一、参数最优取值存在困难。
（2）介绍我国铁路运输现状，对铁路货运量影响因素从宏观经济因素、市场供需、物流环境和铁路运输自身四个方面进行定性分析收集，通过粗糙集理论的属性约简对其进行定量筛选。
（3）介绍深度学习相关理论和常见模型，选择长短时记忆神经网络作为基础预测模型，通过分析传统的 LSTM 模型的不足之处对其进行改进：在门结构中增加窥视孔连接可以弥补传统 LSTM 模型丢弃上一时刻信息的不足，并结合一对正反方向的 LSTM 来保证信息的完整捕捉。考虑到噪音对模型的负面拟合影响，引入多尺度小波变换对原始数据进行去噪处理，建立基于窥视孔连接BILSTM 的铁路货运量预测模型，实验实现学习率和隐藏神经元个数的参数选取实验和模型对比实验。
（4）针对模型寻优问题引入粒子群优化算法实现全局自寻优，进行以下两点改进：利用非线性的惯性变化来代替原始的惯性因子和引入遗传算法中的变异操作，使算法进行自适应变异，建立改进粒子群优化神经网络铁路货运量预测模型。通过实例分析和模型对比，神经网络模型具有良好的学习长期依赖关系及完整训练的能力，改进粒子群优化算法可以有效提升算法寻优能力，寻优速度和稳定性。相比其他模型，改进粒子群优化神经网络组合模型在铁路货运量预测中具有较高的预测能力和预测精度，可作为有效的铁路货运量预测模型实践应用。
参考文献（略）
