城市轨道交通是缓解城市化发展过程中交通压力的重要途径,全国各大城市都在积极推进城市轨道交通的建设,伴随着新线路的开通,已经有多个城市形成了网络化运营的格局。在城市轨道交通网络化运营过程中将会面临许多问题,其中客流分配是解决这些问题的基础。传统的客流分配方法主要基于均衡理论和Logit等模型,这些方法由于种种原因在现实应用中还存在问题,伴随着信息技术的发展,轨道交通信息系统采集、存储的海量运营数据为客流分配问题的解决提供了一种新的途径。本文通过对城市轨道交通AFC(自动售检票,Automatic Fare Collection)系统记录的乘客刷卡数据进行分析挖掘,找出客流分配规律来达到客流分配的目的。首先梳理国内外就客流分配相关问题的研究成果,描述城市轨道交通的构成,利用邻接矩阵等结构来存储轨道交通网络,以通过首末班车时刻表得到的两个站点之间列车的运行时间作为邻接矩阵的权值;介绍网络中常用的路径搜索算法和AFC系统的层级结构,根据乘客进出站刷卡数据计算旅行时间。然后基于单条路径旅行时间服从正态分布的假设,构建由多个正态分布组成的混合模型,以此来刻画OD对(O是出发地点Origin,D是目的地点Destination)之间有效路径上的旅行时间的分布,根据该模型的特征,利用一种迭代的非梯度优化方法——EM(ExpectationMaximization)算法来进行参数估计。接着基于南京市地铁刷卡数据对模型进行实证分析,多OD对、多时间段数据的正态分布检验均证明模型的假设条件成立,探讨了混合模型中正态分布的个数K值的选取方法和EM算法无法保证全局最优解的解决方案;通过将数据分为两段,一段作为训练数据得到分布的概率密度函数,另一段作为测试数据,用来验证训练样本所得概率密度函数的正确性和有效性,无论是假设检验还是有效性验证均表明本文所建立理论模型的正确性。最后通过两个实际案例(换乘站换乘客流计算和票务清分)来说明本文模型的应用。