随着城市轨道交通规模化、网络化进程的快速推进,构建以动态O-D（OriginDestination）客流为基础的运营管理与控制系统,将进一步促进城市轨道交通运营管理向动态化、智能化方向转型。对城市轨道交通动态O-D客流进行预测,不仅可以为运营组织制定动态化运营策略提供参考,还能对乘客出行需求发挥协同调控的积极作用。为此,本论文围绕城市轨道交通动态O-D预测方法展开研究,主要工作如下:首先,提出基于AFC数据的O-D客流时空特征提取方法。对AFC数据进行预处理,采用聚类分析方法,分别从时间和空间维度提取O-D客流时空分布特征;通过分析O-D客流分布的稳定性与相关性,对历史先验O-D客流时空特征的可信度进行标定;引入客流分流率和客流贡献率,作为O-D客流时空特征的量化指标,给出城市轨道交通O-D客流时空特征值的量化表示方法。其次,从行程时间分布入手挖掘O-D客流到达规律,提出基于行程时间分布的O-D客流到达率计算方法。对乘客行程时间的构成进行分析,通过绘制行程时间频率分布直方图,挖掘行程时间的分散性特征,基于K-S分布检验提取O-D行程时间分布规律;为便于描述O-D客流到达规律,引入客流到达率参数,构建基于行程时间分布的客流到达率计算方法,在此基础上,结合实际应用,提出一种更为简便的客流到达率计算方法。再次,提出基于改进长短时记忆网络（Long Short Term Memory Network,LSTM）模型的动态O-D预测方法。通过分析客流指标的关联性,将动态O-D预测转化对O-D客流时空特征值的预测;将标准LSTM网络改进为双输入双输出模型,为OD客流的时间特征值序列和空间特征值序列分别设置相应的训练学习通道,构建基于改进LSTM网络的动态O-D预测模型,给出LSTM网络的训练过程及权重矩阵优化算法。最后,依托南京市轨道交通AFC数据,验证本论文所构建动态O-D预测模型的有效性。构建训练集数据对模型进行训练,分析模型在不同运营日、不同运营时段、不同类型O-D对的预测效果;通过与ARIMA模型、卡尔曼滤波模型、标准LSTM模型的整体预测效果进行对比,基于改进LSTM网络的动态O-D预测模型的预测值平均绝对百分比误差（MAPE）比3种传统预测模型分别降低20.23%、7.5%、3.17%,表明该模型具有更好的预测效果。