客流预测在城市轨道交通系统运营管理过程中处于举足轻重的地位,是对合理部署运输资源、优化列车开行方案、指导日常运输组织及经济效益评价的重要前提。随着信息化时代的到来,移动互联网技术、信息通信技术及云计算等技术快速发展,产生于乘客出行与轨道交通运营过程中的数据量呈现出高速增长的态势。海量、多源、异构的交通大数据及个性化、多样化的出行需求对现有基于抽样数据的客流预测方法提出了挑战。以交通规划理论、交通行为理论、统计学理论以及深度学习理论为引导,研究大数据驱动的城市轨道交通客流预测方法,及时、高效和准确地处理不同层次、不同结构的综合交通信息,对于推动城市交通向智能化方向发展具有重要的理论意义和工程实践价值。本文将深度学习基本框架——计算图与交通规划理论中的四阶段法进行了融合,提出了基于计算图的城市轨道交通中长期客流预测方法,以社会经济数据、AFC统计数据为输入信息,对客流预测模型中的相关变量及参数进行校正,对城市轨道交通网络中的OD分布量进行估计。基于客流所表现出的规律性、波动性及随机性等统计特征,以Kalman滤波算法为框架研究了城市轨道交通系统中正常情况下的常态客流短时预测及有特殊事件发生时非常态客流短时预测问题。本文的主要研究工作如下:(1)系统论述产生于乘客出行与轨道交通运营中的多源交通大数据类型,梳理大数据在采集、存储、挖掘及可视化等过程中所采用的关键技术。基于计算图的分布式表达及反向传播特征,分析基于计算图的多源数据融合机理。(2)将城市轨道交通客流从需求产生至以OD的形式分布于轨道交通网络的过程划分为交通生成、交通分布及方式选择三个阶段。鉴于交通生成量与其影响因素之间的非线性复杂关系,建立基于RBF神经网络的交通生成预测模型,综合考虑包括土地利用、家庭特征、个体特征、节假日等在内的常规因素及恶劣天气、大型活动等突发因素对交通生成量的影响,设计k-均值聚类算法学习RBF神经网络基函数中心。(3)以交通生成预测阶段得到的交通生成量和吸引量以及通过AFC数据得到的历史OD分布量作为测量信息,以最小化估计量与测量量偏差为目标建立城市轨道交通客流需求估计非线性优化模型,并将模型的工作机理表示为计算图形式。设计计算图前向传播与反向反馈算法框架,运用梯度下降算法对交通参数进行更新。通过微积分链式法则在计算图上得到客流需求估计量与相关参数之间的偏导数,定量分析影响因素变化对客流量产生的边际效应。(4)提出基于Kalman滤波的城市轨道交通短时客流预测体系架构,建立状态转移方程根据当前时刻客流信息对未来状态进行预测,建立量测方程通过不断得到的测量信息对预测值进行校正逐步缩小期望输出与真实输出之间的误差。将客流分为常规客流、扰动客流和随机扰动客流三部分,通过分析历史客流数据更新常规客流,无特殊事件发生时扰动客流为零。首先基于普通卡尔曼滤波方法实现正常情况下常态客流短期预测,其次针对特殊事件发生时客流表现出的差异性,构建多项式趋势模型分析扰动客流在时间序列上的变化规律,并在卡尔曼滤波框架上对非常态客流进行预测。