随着轨道交通网络规模的不断扩大,许多大城市高峰时期的轨道交通路网呈现区域客流过饱和,客流时空分布不均匀的特点。为应对该问题,线、网协同的客流控制措施是缓解客流拥挤、提高安全运营水平和运输效率的有效手段。而现有客流控制措施所依据的客流分布及动态演化研究,未能充分考虑客流控制条件下客流分布的动态性和复杂性。另一方面,大多数轨道交通线路和车站在实施网络层的客流协同控制措施时,还缺乏相应的科学依据和理论支撑。针对这些问题,论文做了以下工作:（1）基于计算图的轨道交通客流OD分布动态估计研究在分析高峰时期轨道交通客流分布特征的基础上,从数据挖掘的角度建立客流OD分布及路径筛选动态估计框架。利用AFC数据及备选路径信息,提出客流OD分布估计的计算图神经网络模型,试图揭示客流OD分布数据中体现的乘客出发时间、到达时间、路径选择之间的作用关系。设计基于链式法则的求解算法,通过反向传播估计流量与真实数据的“损失误差”,实现全网OD分布比例的标定。该框架试图借助数据驱动和模型驱动模型,构建融合AFC数据和乘客出行决策过程的建模和优化方法,增强轨道交通客流OD分布估计的精度和可解释性。以北京地铁网络为例进行分析,结果表明提出的模型能有效进行OD分布以及路径的动态估计。（2）基于时空-状态网络的轨道交通路网客流演化方法研究面向多场景客流时空演化的复杂性和随机性,结合OD分布估计的结果,本文建立基于时空-状态网络的轨道交通路网客流演化模型,试图解决多场景下路网客流与路径、列车的动态匹配关系。首先,基于城市轨道交通物理拓扑网络,将车站节点扩展为由“进/出口、站台、通道”等多节点组成的小型网络。再引入时间维度,构建包含“乘车弧”、“等待弧”、“虚拟弧”、“不可行时空域”的乘客出行时空网,用以描述限流、封站条件下的乘客“留乘”、“延误”、“转移”等行为。在此基础上,考虑车站通道内客流拥挤对乘客走行速度的影响,引入反映拥挤程度的状态维度,构建了面向多场景的时空-状态网络。其次,以最小化系统广义成本为目标,考虑列车容量、车站通道通过能力约束,建立适用于限流及封站多场景下客流时空演化模型,设计基于拉格朗日松弛的启发式分解算法对模型进行求解。最后,以北京地铁网络为案例进行实证分析,结果表明,本模型能够有效针对多场景下路网人-路-车的准确刻画,实现路网客流分布的精准推演,进而为后续客流控制优化提供控制策略评价依据。（3）基于深度强化学习的轨道交通网络客流协同控制优化研究在明确了网络客流协同控制的优化目标及客流控制策略含义之后,提出基于时空-状态网络的客流协同控制优化模型,试图解决路网客流控制的时间、空间和强度协同问题。在此基础上,将模型中的决策变量、目标函数、约束条件,分别抽象为强化学习问题中的“动作”、“奖励”、归一化的“状态”,并基于Actor-critic深度学习框架,构建了轨道交通网络客流协同控制的强化学习模型。结合事后经验回放策略,采用深度确定性策略梯度算法对模型进行求解。最后,以北京地铁网络为案例进行实证分析,结果表明,该模型能够从时间,空间,强度三个维度,提供精细化客流控制策略,实现轨道交通网络层面的客流协同控制。