随着多个城市对城市轨道交通进行规划和建设,城市轨道交通运营里程不断增加,路网密度不断增大,且网络化运营的趋势愈渐明显。与此同时,运营组织复杂、枢纽负荷大以及客流强度大等挑战也逐渐成为亟待面对和研究解决的重要问题。为缓解路网的客流压力及拥挤情况,保障乘客的安全,本文研究了给定路网能力配置策略下路网协同限流方案的智能制定方法,利用数据挖掘方法对路网和车站的状态进行评估,选取广州城市轨道交通路网进行案例分析。主要工作内容如下:(1)从城市轨道交通路网协同限流原则、影响因素及措施等方面对路网协同限流问题进行分析,确定路网协同限流方案制定的三要素,并提出路网协同限流方案定量制定的基本流程以及各流程所应用的方法。(2)构建城市轨道交通路网和车站的状态评价指标,即满载率分布熵、高满载率区间比例、车站站台拥挤度和到达列车平均满载率,在此基础上,利用基于K均值的高斯混合模型聚类方法对路网和车站的评价指标进行分级,自动识别最佳分级数目,解决了人工分级方法的不确定性和不可靠问题。利用K最近邻分类方法评估路网和车站的运营状态,进而确定路网协同限流时段和关键限流车站,有效缩小了制定协同限流方案涉及的时空范围。考虑到车站间的协同作用,对关键限流车站间的关联度进行分析,将关键限流车站划分成不同的区域,进而对相同区域内的车站进行协同限流。(3)在识别的限流时段和关键限流车站的基础上建立路网协同限流模型,以各车站服务人数最大化、各车站站台平均聚集人数最小化为目标,并从客流需求、进站过程、限流过程、站台能力、列车能力、上下车过程以及车站协同等方面进行约束。基于Q-learning学习算法对协同限流模型进行求解,解决了限流模型的求解约束规模大以及传统方法无法求解的困难,并根据其结果定量制定路网协同限流方案,确定具体限流车站和限流强度,进而达到缓解路网拥挤程度的目的。(4)以早高峰广州城市轨道交通路网为例,面向仿真数据进行路网、车站运营状态的自动识别,利用路网协同限流方法学习路网协同限流方案,并与已有《广州地铁网络运营状态后评估与诱导系统》中的线网限流方法进行对比分析。结果表明:本文所研究的方法优于既有方法,可有效的缓解路网拥堵状况,提高路网的运营组织水平。