随着我国运输网络的不断完善,货运越来越频繁。货运量作为一个反映运输生产成果的具体指标,可以体现运输业为国民经济和社会发展服务的数量。它不仅关系到社会经济体系的正常运行,而且关系到国家的安全稳定。因此,准确预测货运量对运输公司的日常运营和管理至关重要。由于受自然灾害、产业水平、政治事件等诸多因素的影响,突现性、高波动性、非平稳性和非线性已成为货运量的主要特性。现有的复合货运量预测研究成果已经相当丰富,但还远远不够完善。为了获得较精确的货运量预测,当前常用的方法是分解原始数据成为具有不同特征的模态分支。但是分解得到的模态仍然不稳定。为了解决这一问题,二次分解集成方法被提出。在本文中,为了初步降低了预测难度,首先通过合适的分解方法分解原始货运量数据,得到了不同特征的模态。然后用样本熵衡量每个模态的复杂性。接着按照复杂程度将这些模态划分成不同的模态组。最复杂的模态组频率高,复杂性大,对预测效果影响大。鉴于这种状况,对最复杂的模态组进行二次深度分解。不但充分提取隐藏在高频数据中的有效信息,而且进一步降低了数据的复杂性。此外,神经网络的输入都是经验值,这样会出现输入个数过多或过少的情况。为了避免无效信息的干扰或信息量不足这一难题,特征选择方法被用来巧妙地设计神经网络的输入形式。由于不同模态组的复杂性不一样,本文有针对性地选择与复杂度相匹配的预测方法去有效地地预测。接着将每个分支的预测结果集成,得到最终的预测结果。最后使用迪博尔德-马里亚诺(DM)检验从统计的角度去评估提出模型的稳定性。考虑到不同的预测跨度和训练集对预测效果的影响,多步预测和不同比率的训练集被提出来去预测港口和机场货运量。为了验证提出模型的合理性和实用性,上海港,深圳港,广州港的货运量数据以及北京机场,深圳机场和上海机场的航空货运量数据被用来作为研究对象。最终的实验结果表明:和基准模型相比,提出的模型不但具有高的精度,还有较强的稳定性。因此,对于不稳定的复杂性高的货运量数据,提出的二次分解集成模型能够有效地预测。