随着经济发展,城市交通需求急剧上升,轨道交通由于其运量大、占地空间小、安全便捷和准时高效等特点,成为越来越多人出行的第一选择。轨道交通客流量上升迅速,对运营管理提出了越来越高的要求,如何精确、实时的对客流状态进行检测与评估,成为了一个重要问题。针对单一客流检测系统存在准确性欠佳、实时性较差等问题,本文从数据融合的角度切入,以获得地铁站内客流估计值为目标,建立了地铁站客流估计模型。通过该模型可以较为准确的获得地铁站内客流估计值,从而为地铁运营方提供客流控制的参考依据。本文主要研究内容包括:(1)对地铁站内多源异构数据进行分析并进行特征值提取操作。经过分析选取AFC数据与监控视频数据为主要研究数据,针对AFC数据提出刷卡进(出)站速率的概念,从视频数据中可以提取到区域乘客步行速度、区域乘客密度和区域乘客数量等客流状态参数。后对数据进行时空统一化和数据清洗的操作,减少误差。(2)建立基于数据融合的乘客进站模型。通过对地铁站客流流线进行分析,说明了地铁站内瓶颈区域有哪些,并进一步说明了特殊点位区域的确定方法。在对地铁站进站流线分析的基础上,建立了基于数据融合的乘客进站模型,并利用BP神经网络对其进行求解,从而得到进站区域客流估计值。(3)建立地铁站客流估计模型。在分析乘客出站行为和换乘行为的基础上,建立了乘客出站模型和换乘模型,可以得到出站流线区域和换乘流线区域的客流估计值。在结合乘客进站模型、出站模型和换乘模型的基础上提出地铁站客流估计模型,得到地铁站内客流估计值。最后针对视频数据中存在的盲区与重合的问题,提出了解决方案。(4)以八角游乐园地铁站为例,应用该站数据对上述模型进行验证。通过对该站客流流线的分析,确定了站内的特殊点位区域。之后代入某工作日早高峰的客流数据对模型进行验证,真实值与预测值平均误差为5.7%,所得结果良好,证明了本文方法的科学性和有效性。