殷玮川，何世伟，黎浩东，何必胜

(1.北京交通大学 城市交通复杂系统理论与技术教育部重点实验室，北京　100044；2.北京交通大学 交通运输学院，北京　100044；3.西南交通大学 交通运输与物流学院，四川 成都　610031)

随着铁路货运改革的不断深入进行，货运市场需求的波动变化也越来越受到重视。如何及时有效地应对货运需求波动造成的影响，是铁路决策管理部门需要科学规划的关键问题。铁路货运订车数反映了铁路货运的需求，直接影响着铁路货运量的大小以及铁路货运能力紧张与否。因此，对铁路货运订车数进行预警，为铁路相关部门提前做好应对措施提供依据，从而及时有效地满足货主的运输需求。目前，与铁路货运订车数预警相关的定量研究方法并不多，定性研究方法有铁路货运预警评价方法[1]和铁路有关的监测预警系统[2-4]等，但这些研究中存在主观性强、误差较大等问题。而在采用均匀取值法[1-2,5]和非均匀取值法[3,6]研究预测或预警警报区间划分方法的文献中缺乏对这2种划分方法的比较分析。并且这些研究中的预警方法[1-6]只是一种事后的评判，还没有达到实时预警的效果。随着近年来铁路货运量呈下降或波动的趋势，传统的一些预测或预警方法并不适应这些非线性的数据样本。

支持向量回归机(Support Vector Regression，SVR)方法是一种处理小样本的机器学习方法，能够很好地处理非线性回归问题，已经在财务预警[5]、网络舆情预警[6]等多个行业的预警研究中得到应用，而在预测方法上的应用最为成熟，如铁路货运量的预测[7]、铁路列车晚点时间预测[8]、短时交通流预测[9]、高速铁路路基沉降预测[10]、电力负荷预测[11-12]等。……