随着城市化建设进程的不断加快,城市人口持续增加及私家车的逐渐普及,环境污染,城市交通拥堵以及能源消耗问题越来越突出,城市交通面临巨大的压力。而运载量大、准时性好且环保的城市轨道交通成为解决交通问题的主要方向,地铁的客流量是地铁运营管理部门行车调度和城市轨道交通规划的基本依据,因此对地铁客流量的预测具有重要的意义,本文将混合核支持向量回归机模型应用于地铁客流量预测。首先,论文从统计学习理论的基本原理开始,阐述了VC维理论和结构风险最小化原则,并分析了SVM(Support Vector Machine,支持向量机)回归问题的基本原理和不同核函数的性能,将多项式核函数和径向基核函数进行线性组合,构建了混合核函数,并分析了其学习和泛化性能。其次,对广州地铁3号线的客流数据进行统计分析,得到其周期规律和时序特征。并对平常日进站客流量进行层次聚类分析,使数据样本有效划分,为预测模型提供合理的数据支持。最后,由于构建的混合核SVM的预测性能主要取决于其相关参数的选取,而传统的网格试算法耗时长,效率低,因此采用PSO(Particle Swarm Optimization,粒子群优化)算法对其参数进行寻优。针对PSO算法的缺点,引入无限折叠迭代混沌映射,解决基本PSO算法的早熟问题,引入黄金分割的思想提高算法的优化速度。二者结合实现基本PSO算法的改进,并通过两种典型测试函数仿真分析,表明改进PSO算法具有良好的性能。将基于无限折叠迭代黄金分割的CPSO(Chaotic Particle Swarm Optimization,混沌粒子群优化)算法与混合核SVM预测模型结合建立组合预测模型,对不同时段的地铁进站客流量进行仿真,对比单核SVM预测模型和CPSO优化的混合核SVM预测模型的预测效果,分析结果表明本文构建的预测模型在地铁的进站客流量预测中优于以上两种预测模型。