近年来,城市化水平不断提高,城市轨道交通系统逐步向网络化运营发展。城市轨道交通的运营管理变得更加复杂,客流需求与运力供给不匹配矛盾突出。短时OD客流蕴涵着城市轨道交通乘客出行的时空分布规律,既是网络实时运营状态的表征,也是客流控制管理的基础。准确地预测网络短时客流分布、研究客流调控管理,对提高轨道交通网络化运营水平具有重要意义。本文针对城市轨道交通客流时空分布预测与控制问题开展了研究。首先,本文利用AFC数据提取客流信息,研究车站与线网的客流时空分布。从时间和空间维度挖掘客流需求特征,为短时OD客流预测奠定基础。基于OD客流在一天的时变规律,利用采集的历史客流数据对全网OD对进行聚类,进一步研究不同特性的OD客流时间序列数据特征。其次,基于LSTM模型构建面向城市轨道交通全网的短时OD客流预测框架,通过重构输入数据结构,减少客流的随机性因素影响。引入注意力机制以评估不同时刻历史信息的重要性,提高模型对关键信息的识别能力和模型的解释性。再次,将乘客出行需求与列车运输能力匹配,构建以最小化乘客总延误时间为目标函数的车站单线协同限流模型。使用强化学习方法求解模型最优策略,以预测的实时OD客流需求作为基础输入,在每个时间步车站与客流进站需求相互作用进行决策,最后输出限流车站、限流时段和限流强度方案。最后,以成都市轨道交通为实例,应用OD对分类结果对四类OD分别训练优化得到适应性较强的预测模型。对比本文方法与基准模型的预测结果,验证了短时OD客流预测框架的优势;论文探讨了数据时间粒度对客流规律的影响,对每类OD最适合的短时OD客流预测时间粒度给出建议;分析了引入注意力机制的有效性,注意力机制优化了预测模型的性能,并有助于理解模型运作机制;利用OD预测结果,应用强化学习模型对成都市轨道交通2号线车站制定早高峰协同限流方案,结果显示模型通过改变客流需求的时间分布减少了乘客总延误时间。