近年来我国城市轨道交通客流需求激增,但依靠大规模修建地铁线路提高的运力是远远不能满足激增的客流需求,供需失衡成为常态,客流控制成为拥挤情况下解决供需矛盾的主要手段。客控等级即客控强度是指为确保车站客流组织有序而进行客流控制时限制乘客进站的强度。但是目前的研究对客控等级确定基本是一种定性的方式,针对单个车站的客流控制有时会表现为常态化过度控制或控制不足,而网络全动态客控的实用性较弱,因此如何制定有效的客流控制策略来缓解拥挤成为城市轨道交通需要研究和解决的问题。为了解决上述问题,本文重点研究在给定能力配置下区域协同客流控制策略的制定方法,研究基于数据的定量划分客流控制等级的方法,给出一种确定客控范围和制定区域协同客流控制策略的方法,并选取广州地铁网进行案例分析。（1）提出一种基于数据的客控等级划分的量化方法。针对如何量化客流控制强度问题,依据历史数据来确定指标和方法,进而给出客控等级的确定方法。首先分析客流等级划分的影响因素,建立以路网平均满载率和路网满载率方差组成的路网状态评价指标体系,由车站进站率和出站率组成的车站状态评价指标体系。进一步为实现对历史车站和路网状态的自动分类,建立基于DBSCAN改进的模糊C均值模型。基于分级效果评价,自动地识别出最优的分级数目。根据车站和路网的分级情况提出一种客控等级划分方法。最终以常态客流数据和可预知大客流数据进行实例分析,验证所提方法的有效性。结果表明,所提的基于数据的客控等级划分的量化方法能够根据不同场景针对不同客流特征划分不同的客控等级。（2）提出一种前瞻性识别关键时段、车站及关键区域的方法。对于如何给出小而优的客流控制时空范围,根据历史数据来预测未来的站点和网络状态,同时考虑车站间的相关关系,进而确定客流控制时空范围的大小。首先,基于网络拓扑数据和历史的AFC刷卡数据,构建充分考虑到时空特征的GCN-LSTM模型,对站点的进站、出站、换乘客流量,以及区间的满载率做出预测。最后,可以利用预测结果来确定车站与路网的未来状态指标值,采用KNN法对车站及路网的未来状态进行识别。根据未来状态筛选出控制时间范围和关键车站,进一步研究关键车站之间的关联性,进而以车站关联度为依据来确定关键区域即协同控制区域。最终以广州地铁历史数据为数据基础,通过对比分析验证了考虑时空特征的GCN-LSTM模型的预测效果更好。通过与现有常态客控车站进行对比,验证了关键车站识别方法的可行性。通过分析关键区域内车站之间的空间关系,验证了关键区域划分的合理性。（3）提出一种制定区域协同客流控制策略的方法。针对如何使区域内多站有效配合求得控制效果最优,构建区域协同客流控制模型,对模型进行求解,分别确定每个车站合适的控制等级。在识别出关键控制时段和关键控制区域的基础上,建立城市轨道交通区域协同客流控制模型,以各车站各时段的客控等级为决策变量,以高等级（车站状态最高等级）车站比例最小化和车站状态分布熵最小化为目标,对进站和客控等级进行约束。为解决区域协同控制模型的求解约束规模大的问题,提高求解效率和准确性,选取了Q-learning算法完成模型的求解。最终进行实例分析,对比分析控制前后,协同控制前后和控制范围变化前后的情况,验证所提方法达到控的少且优,缓解拥挤保障安全的目的。