地铁运营调度是指在地铁部门的工作能力范围内，以稳定的发车间隔，高效的车辆周转来及时运送、疏散人群，最大限度地提高乘客的舒适度感受，同时也顾及到地铁运营部门的收益。本文的研究对象是地铁短期客流预测及在此基础上的地铁运营调度优化计算，旨在研究地铁短期客流预测方法，突破现有短期客流预测方法的精确度。在此基础上，建立能够及时应对客流变化的地铁运营调度优化方案。地铁实时客流是地铁运营调度的主要影响因素之一，研究运营调度的发展使得实时客流预测精度要求不断提高。轨道客流预测最初是从轨道所在区域内的居民出行分布或者其他交通的客流分布着手。本文研究的地铁短期客流预测的样本源于过去短期内的地铁客流数据。首先分析了地铁交通的特征和地铁客流的一般变化趋势，然后经过对比基于时间序列方法、回归方法、BP神经网络等预测方式的优劣性，最终选择支持向量机方法建立预测模型，模型参数的确定方法选用了能够解决具有高复杂度问题的蚁群算法，搜索出最佳模型参数。再以成都地铁一号线的站点客流、断面客流和进站客流为例，以相对误差和均方误差为评价准则，验证了模型的预测精度优于BP神经网络等其他算法。地铁运营调度优化模型考虑了乘客感受和地铁公司利益两大方面。乘客感受分为时间花费和拥挤程度，其中时间花费包括乘车时间，候车时间和换乘时间，拥挤程度也转化为额外花费时间来计算。地铁公司利益的影响因素分为公司投入和票务收入，投入部分包括车次数量，发车间隔，人员配置等。票务收入由乘车人数和票价决定。把乘客感受和公司收益结合起来，建立合理的地铁运营调度优化模型，模型的优化目的是在公司的工作能力范围内，最大可能地减少乘客在地铁交通花费的时间，最大程度地满足乘客在地铁交通范围感受的舒适度，同时，使得地铁公司的投入最小化，利润最大化。由于模型是有约束的非线性优化问题，其中变量较多，所以采用了适应性好、效率高、鲁棒性强的遗传算法求解模型。最后结合成都地铁一号线的运营情况，计算出调度优化后的列车发车时间。