随着地铁客流压力的日益增大,高峰时段客流需求与列车运能矛盾愈发突出,由于留乘等原因导致站台安全隐患以及乘客总旅行时分过长问题日益严重。优化车站客流管控与全线行车计划是缓解地铁供需矛盾的重要手段,且客流时空分布是实施上述优化的根本依据。借助预约方法提前收集预约乘客的精确出行信息,并从系统时空供需匹配的角度出发,制定科学合理的客流管控方案以及线路行车计划,可以在保证系统安全运营的前提下进一步降低乘客旅行时分。本文选取实施进站预约的地铁线路为研究对象,以线路乘客总旅行时分（包括乘客站外等待时分、站台等待时分及在车时分）最小为目标,对沿线车站客流管控与全线行车计划（包含列车时刻表与列车停站方案）进行协同优化,并进行了案例分析以论证协同优化的有效性。主要工作如下:（1）明确地铁预约机制,构建考虑预约需求的地铁客流管控与行车计划协同优化模型。研究线路中指定车站实施进站预约,该站预约申请成功的乘客按系统建议时刻通过预约通道进站;预约失败乘客则转至常规现场进站通道,经现场客流管控后进站。基于上述预约机制,以乘客总旅行时分最小为目标,选取预约乘客的推荐到站时刻、各车站的分时段允许进站乘客比例、列车首站发车时刻以及停站方案为决策变量,构建了考虑预约需求的地铁客流管控与行车计划协同优化模型。（2）针对模型大规模混合整数非线性的特点,对列车发车时刻等相关非线性约束进行线性化,并提出融合遗传算法与商业求解器（Gurobi）的组合算法进行求解。遗传算法用以求解客流管控与列车停站方案相关决策变量,在每一次迭代过程中调用Gurobi求解最小化乘客站台等待时分及在车时分的列车发车时刻优化问题,并将求解结果反馈至遗传算法,参与算法的后续迭代计算。（3）验证本文模型与算法的有效性,并讨论本文方法的适用场景。算例结果表明本文组合算法相较于遗传算法、遗传模拟退火算法更能兼顾求解效率与求解质量;与对照案例（车站采用普通单站客流管控方案,列车采用等间隔时刻表及站站停方案）对比,本文模型乘客总旅行时分优化幅度为4.11%。同时,与单一优化（客流管控优化、列车时刻表优化、列车停站方案优化）和两两协同优化（客流管控与列车时刻表协同优化、客流管控与列车停站方案协同优化、列车时刻表与停站方案协同优化）六种优化模型相比,本文三者协同方法优化率可提高0.9%～3.6%。相关参数的灵敏度案例分析可知,与无预约模式的客流管控与行车计划协同优化相比,本文方法优化效果更佳,且预约乘客占比越大则乘客总旅行时分优化率越高。因此,可通过引导乘客预约进站以进一步提高地铁服务水平。此外,随着线路中长途乘客比例的提高,本文方法通过停站方案优化能更大程度地降低乘客旅行时分,因此本文方法更适用于中长途乘客比例高于0.4的线路。（4）以北京地铁房山线为例验证本文方法的实用性。案例结果表明,本文方法能够在可接受时间范围内求得满意解,可根据当日提前搜集的预约客流信息实现次日客流管控与行车计划优化;与对照案例（车站采用普通单站客流管控方案,列车采用等间隔时刻表及站站停方案）相比,优化后线路乘客总旅行时分减少9210min,优化幅度为2.55%,且该优化结果优于本文模型单一优化和两两协同优化产生的六种优化模型,验证了本文三者协同优化的必要性与实用性。