随着经济迅猛发展和交通水平快速提高,社会正处于城市化和机动化加速发展阶段,交通拥堵问题也随之产生且愈加严重。相比于其他交通方式,地铁以其大容量、安全、高效、便捷和环保的巨大优势脱颖而出。因此,通过研究地铁客流大数据,获取乘客与票价相关联的出行特征,以价格为引导对解决当下交通拥堵问题具有重要意义。通过充分发掘和掌握地铁乘客的出行特征与规律,合理调整票价,从而把控和引导市民出行的均衡性,最终达到有效提高地铁的服务水平、缓解城市拥堵、更进一步地推动城市轨道交通事业发展的目的。首先,文章基于大数据分析方法研究地铁乘客出行数据所涌现的宏观特征,主要对刷卡频次、时间和空间等特征进行研究分析,得出地铁客流的高峰时段和大客流地铁站点。然后,通过K-means聚类算法对地铁乘客大数据涌现的出行特征进行研究分析。以乘客个体为单位选取了出行时间、出行频率和消费金额三个维度的特征指标作为聚类因子。以周为周期分别统计出行次数、高峰出行次数比例、非高峰出行次数比例、消费金额、高峰消费金额比例和非高峰消费金额比例等内容。再利用K-means算法将乘客个体依据其出行特征进行聚类,并总结各类群乘客的出行特性和选择偏好,用以量化客流转移意向。最后,依据各类乘客的出行属性值采用大数据分析方法计算最佳的高峰期票价上调比例和非高峰期票价下调比例,并在原有的研究基础上通过引入修正系数改进乘客转移意向方程,建立符合轨道交通乘客出行特征的差异化票价收费模型。论文以地铁数据为例,通过Python、MATLAB、SPSS等工具实现了大数据分析方法和K-means聚类对乘客出行特征的研究与分析,为城市轨道交通制定差异化票价提供了新的思路和方法。本文采用一个自然月的地铁刷卡数据,建立乘客出行特征的差异化票价模型,经过大数据分析最终确立最佳票价调整方案为高峰时段票价上调35%,非高峰时段票价下调54.7%,这一举措可以有效满足企业、政府和乘客三方需求。