随着经济的飞速发展,道路交通的拥堵问题也变得越来越严峻。城市轨道交通具有运载能力强、正点率高、节能环保等优点,所以人们选择城市轨道交通作为首要出行方式,这也直接导致了客流的快速增长。客流预测作为智能交通系统中的重要组成部分,在帮助运营部门做好调度,协同交通资源和避免乘客大面积的拥堵问题上发挥了很大的作用,进而成为缓解地铁线路客流超负荷运行的重要手段。K近邻算法作为客流预测的方法之一,其方法具有不需要对数据进行假定,对异常的数据不是很敏感,预测精度较高的优点,所以广泛应用到客流预测中。但是传统的K近邻算法存在一定的问题:原始历史数据的预处理不足;状态向量的选取方式不够科学;在进行模式匹配时算法查询速度过慢;并且采用恒定近邻数K值,导致预测误差过大;K近邻算法没有误差反馈,不能对算法进行调节。本文对以上陈述的问题进行改进,以北京地铁客流数据为例,客流数据从城市轨道交通自动售检票系统所得。由于城市道路交通与城市轨道交通客流变化的相似性,将城市道路客流预测方法引入到城市轨道交通客流预测中,并对该预测算法进行以下三点的改进。(1)对历史数据的处理进行改进。采用采取阈值法对历史客流数据进行异常值筛选,对阈值的设定采取3c准则选取,对异常值采用历史平均加权法进行修正,并且将天气数据加入到客流数据中;最后选择主成分分析法对状态向量的分量进行选取。(2)对历史数据库进行改进。将上一过程处理好的历史数据进行聚类分析生成聚类中心点和聚类数据簇,分别存在两个子库内;利用哈希函数完成当前客流状态与历史数据库中聚类中心点的匹配,以满足算法实时性。(3)对预测算法进行改进。利用动态K值法,对不同的数据簇选择不同的近邻数K;将误差反馈加到相似度量准则上,以便对误差进行修正。最后,本文选取工作日和节假日地铁二号线复兴门站和地铁四号线天宫院站的客流数据进行实例分析,得到实验结果并论证该改进方法是与传统K近邻算法以及其他预测算法的性能更好,在一定程度上大幅提升了预测精度,同时针对该研究也提出了一些未来的研究方向。引用参考文献74篇,中文文献41篇,英文文献43篇,图44张,表14张。