在广泛参阅有关货运量预测文献的基础上，充分利用其中有用的信息，扬长避短，提出了引入小波分析和贝叶斯估计方法组合起来进行预测，克服了单一预测模型在铁路货运量预测中的局限性，以及减少模型参数估计带来的误差损失，这为我国铁路运输企业制定市场营销计划和营销决策提供重要的依据。本文给广大学者提供一种提高模型精度的方法：一是从数据预处理方法进行改进；二是改变参数估计方法；三是对模型结果的修正。为了详细了解上述三个方面内容，本文的工作体现在：　　1、文章首先概括了本文的研究内容、研究方法、研究的创新点和研究目的及意义，随后阐述了国内外相关文献。　　2、文章第三章是先对小波分析简要的介绍，把小波分析作为数据预处理的手段，然后进行深入的研究。通过引入小波分析对我国铁路货运量的非平稳序列进行分解，对分解后的序列分别建立时间序列模型进行预测和重构序列。与传统的ARMA模型的预测结果做比较时，可以发现引入小波分析的时间序列模型的结果更佳。结果表明，基于小波分析的时间序列模型的铁路货运量预测方法具有有效性。　　3、第四章是通过基于BIC对最优子集ARMA模型确定模型的阶数，并利用R软件对我国铁路货运量分别采用矩估计、最小二乘估计、极大似然估计方法建立ARMA（p，q）模型。运用winbugs14软件解决贝叶斯估计对所建立的ARMA（p，q）模型的参数进行估计，并对模型参数的收敛性进行检验和给出参数的后验分布。通过比较不同参数估计下的ARMA模型的预测结果，得到的结论是基于贝叶斯估计的ARMA模型提高预测的准确性。　　4、第五章是以第三、四章的研究成果为基础，引入小波分析作为数据预处理方法，选择贝叶斯估计作为ARMA模型的参数估计方法对我国铁路货运量进行预测。把小波分析和贝叶斯估计方法组合建模，与第三、四章的预测效果比较，结果表明二者的结合可提高模型的精度。　　5、第六章是观察第五章中低频序列的滑动移动平均项的参数分布不是很理想，则通过低频序列减去自回归项的预测值得到剩余项，重新对剩余项进行估计，最后重组序列，研究结果表明，通过该修正方法对模型的预测效果有积极作用。