近十年来,我国进入城市轨道交通建设的高峰期。以大城市和特大城市为主要聚集地的城市轨道交通线网经历了快速的发展。随着新建线路的密集开通,各个城市的轨道交通加速成网,乘客在线网中的路径选择行为日益复杂,传统的基于均衡理论和Logit模型的客流分配方法在现实运用中存在各种问题。城市轨道交通AFC系统记录的海量乘客出行数据,为客流分配问题的研究提供了新思路。本文首先梳理了国内外在交通网络客流分配、智能交通卡数据挖掘等方面的研究现状,确立了以城市轨道交通票务数据为出发点,借助大数据挖掘、机器学习等方法求解客流分配比例的思路。接着介绍了AFC系统数据的提取和处理方法,并分析了影响乘客路径选择行为的主要因素。选定基于最大换乘次数的有效路径集生成算法,求解出客流分配所需的备选路径集。考察一次出行旅行时间构成要素,并对其中的进出站时间消耗和换乘时间消耗做出估计,进而估计出路径旅行时间分布参数初始值。其次,在单一路径旅行时间近似服从正态分布的假设下,建立了描述多路径OD对旅行时间分布的高斯混合模型,利用贝叶斯信息准则确定混合模型个数,并引入无监督聚类算法——期望最大化算法(EM算法)求解模型,借用Python语言编程实现算法。最后,以成都地铁某月真实的票务信息作为数据源,利用本文建立的客流分配模型,求解了凤凰大街至春熙路、一品天下至成都东客站两组典型OD对上各路径客流分配比例,并将本文求解结果和传统Logit模型求解结果进行对比分析。提出模型拟合度评价指标、设计交互验证试验,验证本文建立的客流分配模型及其求解算法的稳定性和有效性。