近些年来,随着城市建设的不断完善,城市轨道交通也日益成熟,人们对于出行的质量越来越高。但是,轨道交通在方面人们出行的同时,也会带来交通拥堵问题。通过对轨道交通路网中各个站点的历史客流数据深度分析,挖掘轨道交通客流的特点,预测短时的时间间隔内站点的拥堵状况,从而向人们提供人性化的出行向导,提升地铁部门的服务质量。轨道交通拥堵预测成为当下研究的热点。轨道交通客流和普通客流有很大不同,轨道交通的各个站点紧密相连,组成庞大的轨道交通路网。整个路网中的出行者不断的进站和出站形成了客流。轨道交通客流不仅具有周期性、随机性等诸多特性,也使得站点之间的客流存在时间和空间的联系。本文在研究轨道交通客流特点的基础上,兼顾路网中站点客流的时空联系,对站点客流拥堵进行预测,取得了良好的效果。本文利用CNN卷积神经网络算法对轨道交通的拥堵进行预测。通过分析轨道交通客流的特点和改变CNN卷积神经网络的结构,来研究对于预测性能的影响,本文的主要研究工作如下:(1)为了保证数据的完整性,针对轨道交通客流的特点,对客流数据进行数据预处理,包括缺失数据的补充和客流拥堵级别的转换。(2)构建CNN卷积神经网络结构和训练模型,在深入学习卷积神经网络理论的基础上,设计适用于轨道领域的算法模型并训练。(3)利用训练的模型,通过上海市轨道交通客流的真实数据来探讨模型的预测性能。实验主要分为两部分:第一,对轨道交通客流数据集,进行数据模式的划分;第二,针对卷积核的大小和和网络的深度,探讨网络结构对于预测性能的影响。本文提出的基于CNN的轨道交通拥堵预测算法对于真实数据的拥堵预测性能优良。在时间间隔小于或等于15分钟的短时客流下,和历史平均值法做预测相比,本文的算法具有较高的准确性。本文所做的研究对于CNN卷积神经网络算法的进一步发展与其实际应用提供了一种新的思路和方向,具有实际意义。