我国是一个资源大国,但是资源的分布比较不均匀,西北资源多,东南相对较少。铁路运输作为我国资源运送的最主要手段,是交通运输业的重中之重。随着铁路货运的需求不断增加,货运铁路的建设和投资也日益增加,货运量的预测已经成为了国家把握铁路运输产业发展的重要指标。随着现代社会的发展,传统的预测方法已经稍显疲态。机器学习和智能算法的发展让货运量的预测有了更多的选择和可能性。本文在分析了当前货运量预测所用方法的不足之处后,提出了使用RBF（Radial Basis Function,径向基）神经网络对货运量进行预测。RBF神经网络参数的选择直接关系到该模型的预测精度,本文选用粒子群智能算法（PSO,Particle swarm optimization）对RBF参数进行优化。通过对标准的粒子群算法进行收敛性分析得出该算法在进行到后期的时候容易陷入局部极值,存在“早熟”问题,并且搜索精度有待提高。针对上述问题,本文提出了基于差异演化粒子群和单纯形粒子群的混合粒子群H-PSO算法,该算法继承了前者优秀的全局搜索能力和后者出色的局部寻优能力,通过函数测试也证明了该算法的寻优能力相比标准PSO有了显著的提高。随后,建立了基于H-PSO优化的RBF神经网络预测模型,经过实验验证,该方法对比单纯的RBF和基于标准粒子群优化的RBF都有了明显提高,并且证明在神经元个数为3时,模型收敛效率最高。本文以近27年的铁路货运量为训练样本,对随后4年的货运量进行预测,并将实验结果和相对成熟的灰色模型和BP（Back Propagation,反向传播）神经网络模型进行对比。通过对比,本文提出的基于优化粒子群的RBF模型（HPSORBF）相比灰色模型平均误差减小了6.36%,相比BP神经网络平均误差减小了3.48%。最后,又将本文提出的HPSORBF和灰色模型进行了简单的组合,经过验证得出组合模型在一定程度上能够将其中各个子模型的优点结合起来,从而得到一个更加完备的预测模型,给未来的研究提供了方向。