随着经济的发展与城市化进程的加速,城市人口急剧增加,导致道路拥挤、交通阻塞、环境污染等一系列问题。城市轨道交通具有运量大、舒适性好、安全快速、环境污染小、能源利用率高等优点。目前,越来越多的人选择乘坐轨道交通出行,大容量轨道交通的重要性和优势正在逐步显现。　　 对于轨道交通运营公司,准确实时的对日常客流量进行预测,分析并掌握客流的特征与规律,是制定合适的列车出行计划和最优客运能力调度的依据,对于提高列车的满载率,使运行方案具有最佳的经济社会效益具有重要的意义。　　 轨道交通客流量具有高度的不确定性,它受多种因素影响,如天气、节假日、重大活动等。针对轨道交通客流数据的不确定性,本文以灰色系统和神经网络为基础研究工具,以北京地铁客流为研究数据,研究了基于灰色系统和神经网络的客流预测方法及其应用。主要的工作如下:　　 (1)对城市轨道交通客流和灰色系统进行了介绍。分析和研究了城市轨道交通客流的时空分布特征。对客流的时间分布特征主要从一日内客流分布特征和一周内客流分布特征两方面进行说明:对客流的空间分布主要从线路、上下行和线路断面三方面进行说明。详细介绍了灰色预测理论,灰色GM(1,1)建模及其模型检验与使用范围等。　　 (2)推导出了新的灰色预测模型。传统灰色GM(1,1)模型是用一次微分方程拟合累加数据,再将微分方程的解作累减还原得到最终预测结果,根据微分方程的解的形式可以得出传统GM(1,1)模型是以齐次指数序列来拟合原始建模数据,但当原始数据服从近似非齐次指数序列时用此方法得出的误差会较大。因此,本文根据用非齐次指数序列拟合原始数据逆推导出一个新的灰色预测模型,该模型扩展了传统灰色GM(1,1)模型。最后用一组实验验证了新模型的预测精度。　　 (3)对新模型的初始条件和背景值进行优化改进。首先分析了已有初始条件和背景值改进的方法;接着从使模型建模的误差平方和最小的要求出发,采用最小二乘法给出了最优的初始条件;最后根据以曲线与坐标轴围成的面积作为背景值推导出了背景值的计算公式,并对两种改进方法进行了实验验证。　　 (4)对灰色模型与神经网络组合建模进行了研究。神经网络具有强大的非线性拟合能力,因此,能够很好的用它来对轨道交通客流进行建模。首先对神经网络基础知识进行介绍,分析了灰色系统与神经网络的组合方法;然后分别将BP神经网络与灰色系统进行组合建模、RBF神经网络与灰色系统进行组合建模,并对两种组合建模进行了实验验证。　　 (5)系统应用。在理论方法研究和算法改进的基础上设计和实现了一个地铁客流预测原型系统。