近年来,轨道交通因其绿色、便捷、运量大等优点逐渐成为人们出行的重要选择,各大城市也选择大力发展轨道交通系统。随之而来的是轨道交通运量的增加以及网络复杂度的提高,使轨道交通运营计划的制定难度不断加大,这给轨道交通运营管理部门的日常工作带来了巨大的挑战。因此,需要对进站客流和断面客流进行更加精准的预测,为车站的动态管理以及运营计划的编制提供数据支持,从而在满足乘客出行需要的同时提升服务水平。本文针对进站客流和断面客流的预测方法进行研究,主要内容如下:(1)分析北京轨道客流数据的基本统计特征、客流形态及日变化规律。通过对客流数据的统计分析及时空特征分析,对客流数据有了更加深入的理解,为下一步特征的提取以及预测模型的建立打下基础。(2)提出分别适用于进站客流和断面客流的特征提取方法。针对进站客流,主要从时间维度对客流进行特征提取,先利用聚类算法对客流进行模式分析,在此基础对不同客流模式的关联特征进行构建和提取;针对断面客流,主要从时间和空间两个维度对客流进行特征提取,由于人工提取时空特征存在困难,因此首先利用多维标度法建立断面的空间相关组,再对相关组内的断面客流进行时空输入矩阵的构建,最后将二维时空矩阵输入CNN中提取时空特征。(3)提出基于RF-LSTM的客流预测模型对进站客流进行预测。在客流关联特征输入预测模型之前,利用随机森林算法对特征进行选择,避免了非重要特征对预测结果产生影响。通过对比实验验证了RF特征选择的有效性、客流关联特征的有效性、多特征LSTM的有效性,并与Light GBM模型和SVR模型的预测结果进行比较,证明本文所提出的预测模型能够取得更好的预测效果。(4)提出基于CNN-LSTM的客流预测模型对断面客流进行预测。将CNN与LSTM相结合,首先利用CNN对时空特征进行自动提取,再将时空特征输入LSTM进行客流预测。通过对比实验验证了时空特征提取的有效性、断面相关性分析的有效性,并与Light GBM模型和SVR模型的预测结果进行比较,证明本文所提出的预测模型能够取得更好的预测效果。本文在对客流特征进行分析的基础上,提出分别适用于进站客流和断面客流的特征提取方法,并利用深度学习模型进行客流预测。本文的工作不仅可以为轨道交通运营管理部门提供数据支持,而且也为轨道交通短时客流预测问题提供了新思路。图53幅,表23个,参考文献69篇。