随着我国城市规模不断扩大,日益加剧的城市交通需求量成为制约社会发展的重要问题。城市轨道交通已经成为城市公共交通系统的骨干组成部分,承担着城市客流的主要运输任务。而客流量的预测对整个城市轨道交通系统具有十分重要的意义,城市轨道交通客流量是轨道交通前期规划和后期运营部门行车调度的基本依据。本文通过对成都地铁1号线省体育馆站的实测客流数据为基础,围绕进站客流、早高峰客流和突发大客流预测问题,进行了深入分析,论文主要研究内容如下:首先,介绍了机器学习模型,阐述了统计学理论的相关知识,并分析了LS-SVM(Least Squares Support Vector Machine,最小二乘支持向量机)基本原理和小波核函数的优点,构建了基于小波核的LSWSVM模型。其次,针对LSWSVM模型参数不易选取的困难,采用PSO(Particle Swarm Optimization,粒子群优化)算法对模型参数进行寻优选取,针对基本PSO算法容易局部收敛的问题,引入混沌变量,利用混沌运动的随机性﹑遍历性特点,构建CPSO(Chaotic Particle Swarm Optimization,混沌粒子群优化)算法。再次,针对混沌序列对初值敏感的缺陷,采用MCPSO(Mutation Chaos Particle Swarm Optimization,带极值变异的混沌粒子群优化)算法,运用经典的测试函数对其进行仿真分析,结果表明改进后的MCPSO算法具有良好的寻优性能,并与LSWSVM预测模型相结合。最后,对成都地铁1号线的客流数据进行统计分析,构建MCPSO-LSWSVM预测模型深入研究省体育馆站日进站客流、早高峰进站客流、早高峰换乘客流和突发大客流,挖掘城市轨道交通客流分布及生成规律,对相同时段不同类型的客流量进行预测仿真,对比PSO-LSWSVM预测模型和CPSO-LSWSVM预测模型的预测效果。研究结果表明MCPSO-LSWSVM预测模型具有更高的精度和更好的泛化性,在客流量的预测中更具有优越性。为城市轨道交通在日常运营中和大型活动突发大客流时的运营调度中提供了一种有效的决策方法。