随着我国城市轨道交通的迅速发展,很多城市建成并开通运营了城市轨道交通线路,同时,自动售检票(简称AFC)系统在我国城市轨道交通系统中已经被广泛应用,这使得城市轨道交通基础客流数据的采集更为完整和准确。如何基于AFC系统的客流采集数据,利用数据挖掘技术和机器学习机制,实现更加精准的城市轨道交通网络的客流预测,对于城市轨道交通运营管理具有重要的现实意义。本文从乘客地铁出行的历史刷卡数据的出发,对个体乘客的出行规律进行了分析,对乘客的目的地进行了推测,最后,并对未来的城市轨道交通网络的OD客流进行了预测。本文的主要工作有:(1)本文对数据来源及AFC系统做了简述,对可能导致AFC数据异常的原因做了归纳,总结了异常数据类型,提出了数据的清洗规则并对数据进行了清洗,利用了清洗后的AFC数据对地铁客流的时空规律进行了分析。(2)利用刷卡数据中的ID属性,提取出个体乘客在一个月内的历史刷卡记录,对个体乘客出行规律进行了分析和研究。根据AFC刷卡数据的特点,将地铁乘客分为有规律的出行与随机出行两类。本文提出了一种基于密度的聚类(简称DBSCAN)方法对乘客行为进行聚类分析,根据聚类结果,对乘客的出行时空规律进行了描述和分析。(3)基于个体乘客的出行规律,计算每位乘客历史总出行次数与出行OD总数的比值、随机出行的个数与总出行次数的比例这两个乘客出行特征指标。进一步,运用两步聚类法对轨道交通乘客进行了分类,将其分为了三个类别:通勤者,随机乘客,弹性通勤乘客,分析了不同类型乘客的出行时空规律。基于不同类型乘客的出行特征,提出了乘客进站后出行目的地的预测方法。(4)在上述研究方法的基础上,将具体的个体乘客目的地预测方法推广到轨道交通全网络结构上来,实现全网同一时段OD流向的预测。最后,使用某天的全网刷卡进站信息,基于python编程语言以及Oracle数据库,对不同站点出站概率、不同OD对的客流情况以及全网OD分布进行了预测,并对预测结果进行了分析与讨论。