公共交通在很大程度上能提高道路利用率,降低程度拥堵。城市轨道交通在公共交通中占据了相当重要的一环,相对于普通公交而言,轨道交通拥有独立路权,不会受到高峰时期道路拥堵的影响,同时城市轨道交通的运力又远大于同样拥有独立路权的快速公交。城市轨道交通成为了越来越多大城市缓解道路拥堵问题,改善路面交通的首要手段,是城市交通的核心之一。地铁客流关系到地铁系统的运营调度,是地铁数据中重要一环。分析不同条件下地铁客流的变化情况可为城市轨道交通的管理提供很大的帮助。本文基于地铁AFC数据,结合气象数据以及兴趣点（Points of Interest,POI）数据,分析极端气象下地铁客流变化情况,地铁系统受气象和土地利用的影响。针对分析结果以及地铁客流特性,构建机器学习模型,分析不同模型下引入气象数据对模型性能的影响。并采用三种决策树模型,基于POI数据预测站点客流。本文的主要工作如下:（1）本研究收集了福州市台风气象前后的地铁交易数据,定量比较了正常日和台风日的地铁系统层面、车站层面和OD（Origin Destination）层面的客流量差异,以及台风对于地铁系统乘客出行时间分布规律的影响。结果表明,台风气象对地铁系统层面、车站层面和OD层面的客流量均有不同程度的影响。此外,地铁出行时间在不同条件下服从伽马分布,但参数不同。研究发现,与正常日相比,台风日出行时间分布的形状参数较小,尺度参数较大。（2）本研究收集了站点POI数据以及气象数据,使用反向选择法和最小二乘回归对数据进行分析。结果表明,对于各项气象数据,气温和降水量对客流均有显著影响,并且对于周末和节假日而言,影响方向以及幅度均有不同特征。对于POI数据而言,不同类型的POI对站点客流影响的显著性以及幅度也不同,同时在周末与工作日中,相同POI的影响也存在不同。（3）本研究引入气象数据集,经过数据预处理,构建新的数据集。针对气象以及地铁客流数据的特征,构建了基于精度提升决策树的预测模型以及基于神经网络的预测模型。分别使用原始数据集以及添加了气象数据作为特征的数据集进行客流预测实验。通过实验结果的对比分析,加入气象数据集作为特征可以提高地铁客流预测精度,对地铁客流的预测有正向影响。