随着城市轨道交通的不断发展以及客流量的增加,城市轨道交通在缓解城市拥堵等方面发挥着越来越重要的作用。但与此同时,由于各种原因导致的地铁封站越来越频繁。为保证封站期间的地铁运营组织安全有序进行,封站影响范围识别以及受影响乘客的出发车站选择行为是非常重要的研究内容。本文从宏观上对封站影响范围进行识别,并在微观层面探讨封站影响范围内的乘客行为变化机理问题,为后续的客流量精准预测分析以及客流诱导措施的制定提供重要依据。论文的主要工作内容如下:(1)描述了城市轨道交通封站这一异常状态,分析了封站影响范围和客流特点;对封站下城市轨道交通乘客出发车站选择的时空特性进行了简要分析;从乘客角度出发,研究了已知封站条件下城市轨道交通乘客的出行全过程,对出发车站选择影响因素进行了分析,总结了城市轨道交通乘客出发车站选择过程。(2)研究了数据驱动的地铁封站影响范围识别方法,从进出站量和OD旅行时间两个维度识别异常的AFC数据,进而从这两个维度对车站受影响程度进行分级,充分挖掘AFC数据与封站场景的内在关联关系。分别利用加权法对LOF算法、格拉布斯准则和k NN算法以及投票法对独立样本t检验、Wilcoxon符号秩检验和Mann-Whitney秩和检验进行集成,并通过实例验证了集成方法在封站影响范围识别上的有效性。(3)研究了封站条件下乘客出发车站选择行为模型的构建,并首次提出了基于决策场理论的出发车站选择行为建模方法。首先,根据识别的封站影响范围和城市轨道交通吸引范围确定乘客备选的出发车站;然后,使用随机森林方法筛选确定影响出发车站选择的关键因素,并结合地铁实际,根据备选出发车站是否可行,为多备择决策场理论(MDFT)增加可行性约束,基于MDFT建立封站条件下乘客出发车站选择行为模型;最后,提出了基于AFC等数据的极大似然估计参数标定方法。(4)以北京地铁8号线和15号线奥林匹克公园站为研究对象进行了早高峰封站影响范围识别及乘客出发车站选择建模的实例应用。首先,使用数据驱动的集成算法对20条线路的350个车站进行了进站量异常识别,对23809个OD对进行了旅行时间异常识别,并对两者结果进行了比较分析;然后,在封站影响范围识别的基础上,构建了MDFT模型和多项Logit模型分析城市轨道交通早高峰封站下乘客出发车站选择特性,并基于多项检验参数以及ROC曲线得出了MDFT的估计预测精度优于多项Logit模型;最后,使用MDFT模型对于封站时段乘客出发车站选择进行了预测,并基于预测结果提出了部分运营建议。图34幅,表29个,参考文献74篇。