近年来,随着城市化进程的加快,不断增长的城市交通需求与有限的交通供给能力之间的矛盾日益突出,导致我国城市面临着严峻的交通拥堵问题,由居民的通勤行为引发的高峰时期拥堵现象更是十分普遍。交通拥堵不仅会给居民的出行带来很大的不便,也会造成巨大的社会和经济损失,严重制约了城市的发展。通过预测拥堵来合理地规划和调度交通是缓解城市交通拥堵的有效措施。此外,城市轨道交通在我国的城市交通中正扮演着越来越重要的角色,其在有效缓解了道路交通压力的同时,自身也逐渐面临着拥堵的挑战。道路网上的交通流估计主要关注的是“车辆”,交通拥堵状况可以由道路上车辆的平均行驶速度、排队长度等参数反映。对于地铁交通而言,拥堵与车辆的堵塞状态无关,而是指因乘客过多造成地铁车厢过于拥挤,车内人员的舒适度降低,或因地铁车厢内人太多导致乘客上不去车而延误行程的状态。因此,研究地铁交通流的时空特征,需要关注乘坐地铁的“人”的出行过程。然而对于地铁网络的区间客流量估计和拥堵预测,目前鲜有相关研究。针对以上这些迫切需要解决的问题,本研究提出了一种基于多智能体交通仿真的城市通勤时段拥堵预测方法来预测早高峰时期地铁区间的拥堵情况。首先,收集城市居民的职住数据并将其组织为反映交通需求的OD(起始地和目的地)矩阵数据。其次,通过调用百度地图的地理编码服务Geocoding和路线交通服务Route&Transportation,获取居民的详细出行计划。然后,设计和实现了一个基于多智能体的交通仿真框架并将居民的出行计划作为输入,模拟居民高峰时期乘坐地铁出行的整个过程。通过优化通勤人员的出发时间并进行多次迭代,使交通系统达到一个稳定的较优状态。最后,输出该稳定状态下的模拟结果并从中提取交通流特征,识别和预测可能出现拥堵的地铁区间。研究结果验证了本研究提出方法的有效性,同时证实了职住数据可用于城市交通研究,本研究对个人出行过程的优化和城市交通的规划和管理具有重要意义。