铁路是我国交通系统中十分重要的一部分,随着近年来科技的迅速发展,出现了新的运输方式,且运输市场的竞争变得越来越激烈,如快递业快速崛起出现在人们的视野中,其便捷性、快速性和行程可观测性,深受人们的喜爱。在庞大的运输市场中,铁路货运具有运输种类丰富,且可以承载大批量的货物的特点,但是其准点性难以保证,这使得其在市场中的竞争力减弱,同时也对铁路资源造成了浪费,所以在对铁路货运车辆运到时限的研究方面变得尤为重要,而对铁路货运车辆在始发站停留时间预测就是该研究的重要方面。本文首先通过对国内外以往的相关内容研究,找出来目前研究中存在的问题,基于现有问题,本文对以下四个方面进行了研究:(1)铁路货运车辆历史停留时间的计算与数据预处理:铁路货运信息系统多年来积累了大量的相关数据,虽然数据种类丰富且数量庞大,但是需要根据研究内容筛选、清洗、计算出所需的数据才能适用于运到时限的预测,因为原始数据中包含的是铁路全路网的各个站点报文数据,因此,首先需要筛选出始发站的相关报文数据,并对异常值进行剔除后通过报文数据计算历史停留时间。之后再对影响因素进行分析并量化。(2)基于BP神经网络对始发站车辆在站停留时间进行了预测:BP神经网络是目前比较常用的一种人工神经网络,针对本文研究内容而言,BP神经网络可以很好的提取原始数据中的非线性部分,对于本文中影响因素种类少而言,BP神经网络也可以一定程度的规避此弊端,通过设定合适的学习率将学习调整到合适的精细程度从而不断的将模型构建更加精确,实验效果表明,该模型的预测效果良好(3)基于优化的SVRGWO算法对始发站车辆在站停留时间进行了预测:BP神经网络的研究主要是针对于数据中非线性的部分,对于线性部分的研究则采用了SVR-GWO算法,优化的SVR算法解决了传统算法中不易找寻最优参数的缺点,通过灰狼优化算法,寻求得SVR中最优的惩罚系数等参数,再进行建模,实验表明,优化后的SVR-GWO算法对货运车辆在始发站停留时间的预测效果较标准的SVR算法更佳。(4)基于组合模型对始发站车辆在站停留时间进行了预测:由于上述BP神经网络及SVR算法的研究各具其特点,为了充分发挥每一种算法的优势,提出了组合模型,将BP神经网络的非线性预测与SVR算法的线性预测相结合组成最优的算法模型,实验结果表明,由误差方差均方倒数法确定出的BP神经网络与SVR-GWO权重所组成的组合模型对铁路货运车辆在始发站停留时间具的预测效果更好。