【摘要】文章针对传统预测方法从货运量数据整体层面建模,难以充分捕捉货运量的复杂关联特性,存在因线性和非线性成份相互干扰而预测失真的难题,引入一种先分解后集成的预测策略。首先将原始货运量分解成线性子序列和非线性子序列,利用线性回归模型预测线性成份,并构建了一种基于时空调整策略改进的PSO算法,优化BP神经网络,进而预测货运量非线性成份,选用相加集成得最终预测值。仿真测试和预测实例表明,基于先分解后集成的预测方法弱化了货运量中线性成份与非线性成份之间相互干扰,降低了原始问题的复杂度,提高了预测性能,可作为一种有效货运量定量预测方法。此外,粒子群时空调整策略是一种有效的PSO改进方法,与传统BP模型和标准PSO-BP模型比较,基于时空调整策略改进PSO-BP模型具有收敛快和预测精度高的优点。