城市轨道交通凭借其安全性、可靠性、运量大等优势成为了城市公共交通的重要组成部分。近年轨道交通的建设也随城市扩张而加快,线网规模不断扩大,形成网络化运营。客流是城市轨道交通建设与运营的基础,而城市轨道交通客流需求预测有助于管理者提前预知客流分布及其动态演变规律,适时调整客运服务计划,使轨道交通更加安全高效地运营。因此,城市轨道交通客流需求预测对其系统的科学高效运营管理具有重大意义。本文基于AFC刷卡数据,通过对城市轨道交通的宏观客流特性与乘客个体出行特征进行深入分析,为出发地-目的地(OD)预测模型建立奠定基础。然后对宏观的进站量、OD量和微观的个体出行OD(乘客目的地)三个部分做预测,可以获得客流量在轨道交通网络中的分布以及精细化的乘客OD出行信息,实时准确地把握客流量变化。本文主要研究工作分为以下3个部分:(1)建立了多特征Wavelet-LSTM的车站进站量预测模型。首先应用灰色关联度分析和格兰杰因果关系检验选取相关车站,然后针对时间序列数据的波动性应用小波变换进行分解,得到稳定的子序列,最后将每一个子序列输入可学习序列时间规律的长短时记忆网络(LSTM)进行进站量预测。将本方法应用到天通苑站的车站进站量预测研究中,Wavelet-LSTM模型的结果平均绝对百分误差为7.441%,优于ARIMA模型、仅输入单特征和不做小波变换的LSTM模型。(2)在进站量预测基础上,提出了Kalman-Wavelet-LSTM的宏观OD量预测模型。由于AFC系统一般上传15分钟粒度的实时进出站量数据,无法提前获知客流的目的地信息,难以获得当前时段的OD数据。本文提出求解客流状态空间的卡尔曼滤波预测方法,通过加入Wavelet-LSTM修正过程以处理客流序列的波动性并学习时间上的规律。将该方法应用于天通苑与西二旗两站间两个方向15min和30min的OD量预测中,其预测精度相比于传统卡尔曼滤波算法有了较好的提升。(3)针对海量的乘客出行明细信息,选取随机森林(RF)和Light GBM进行Stacking组合,构建乘客目的地集成预测模型(RF-Light GBM),实现微观层面精细化的个体OD预测。RF算法可以有效降低方差,改进的梯度提升树Light GBM算法具有降低偏差的优势,因此使得提出的RF-Light GBM集成模型可根据大量乘客的特征信息进行目的地分类,且内部算法高效,适用于大数据分析。通过不断学习参数,使模型的预测准确率达86.682%。