随着国民经济的快速发展和城市化进程的不断加快,城市之间的出行活动日益频繁,居民对出行时效性、快速性要求逐渐增高。城市轨道交通系统凭借其快速、准点、舒适的优良特性快速发展,在城市公共交通系统中占据举足轻重的分量。而随着地铁网络客流量的增大,客流组成变得复杂多样,客流规律变化多端,基于整体客流分析的轨道交通客流量变化规律不足以把握外部事件对各类乘客群体的影响机理,基于整体的客流预测对不同乘客群体的出行规律捕捉效果欠佳。因此,有必要对城市轨道交通复杂的乘客群体进行组分划分,分门别类地研究各类乘客群体出行特征和规律,以细化对城市轨道交通网络动态的把控。本文提出组分划分原理将不同出行时间特征的客流进行归类,构造组分划分模型确定划分方法。基于组分划分理论研究各类乘客不同的出行规律,以及各组分客流与外界影响因素的相关程度。最终基于组分划分模型构建短期客流预测模型,实现对未来日期内分时客流量的预测。首先,本文基于对历时客流数据时变规律的研究确定不同的乘客出行时间分布组群,基于各组群的分布特征构建客流划分模型,将全天客流按照其出行时间分布划分为早高峰、全天峰、午高峰、晚高峰、夜高峰五种组分。设计遗传算法对模型进行求解,确定最佳的组分划分模型参数。模型的划分结果精度较高,对全天客流分布拟合效果较好,拟合相对误差在11%左右。其次,为深入探究各组分的物理意义,根据组分划分结果分析每种组分各自的时变规律,以及各组分之间的相关关系。基于AFC数据的连续卡号识别,研究不同的组分客流量与乘客刷卡频次的关系,并根据站点常去度分析不同类别乘客在各周次的目的地选择偏好。进一步的,分析外部环境的变化对各组分客流规律变化的影响程度,深层次的揭示每种组分各自的客流特性。最后,基于对各组分时变特征的分析,将本文构建的组分划分模型与径向基神经网络结合,构建短期客流预测模型。针对各个组分构建RBF神经网络捕捉各自的客流变化规律,实现对复合客流的精细预测。将各组分的预测客流量根据历史客流分布规律还原为分时客流量预测值,并将其进行叠加合并,得到预测日全天分时客流量预测值。在案例研究中,模型对全天分时客流得到了较好的预测,1Omin分时客流量预测相对误差为12.7%,绝对误差仅为27人。图52幅,表16个,参考文献63篇。