随着区域经济的快速发展,近年来城市轨道交通规模逐年扩大,运营模式和客流分布已成网络化状态。精确而稳定的短时客流预测结果对于车站和列车安全稳定地运营具有指导性的作用。同时由于对精神生活的需求,各类比赛、演唱会经常会在一些经济发达的城市举办,使得所产生大客流的运输与疏散成为一个全新的问题。基于此,本文以个体出行链作为研究素材,通过分析其机理和特性,提出了客流实时监测-预估系统,为管理部门提前做出决策给予依据。首先,应用城市轨道交通个体刷卡数据捕捉各出行者的出行轨迹,从微观的角度解释了常规大客流和突发大客流的发生机理以及客流特性的区别和联系;通过分析两者进、出站量的大小以及时间效应,得出了:使用出站客流进行实时监测,从而基于检测结果进行进站大客流的预估。其次,尽管监测目标为出站客流,但由于城市轨道交通的客流特性,应用时间序列分解方法STL进行周期项分解,消除常规大客流对于检测模型的影响;同时,考虑历史客流中存在的异常点,应用HTM异常检测模型进行滚动检测建模,克服了异常点的影响;最终,通过结合两种模型的优势,得出了 STL-HTM检测框架,并根据检测结果建立了报警系统。再次,借助STL-HTM模型的检测结果,结合历史个体出行特征,确定了进站大客流的预测时段。通过分析突发客流组成,提出了分组预测、叠加的预测策略。对于第一部分常规客流,结合递归和直接预测多步的方法得到;第二部分特殊目的聚集客流,通过提取个体进、出站刷卡时间差分布,并根据额外的出站总量进行分配;第三部分转移客流通过误差拟合得到。最后,以上海市城市轨道交通系统为例,应用STL-HTM进行在线的实时监测,并根据预估模型进行了进站突发客流预估。结果显示,相比于传统的模型,本文构建的检测和预测模型的各指标都存在着显著的提升。通过模型参数分析,高峰时段的MAE和RMSE分布差距最大值在20人次之内;同时,全时段预测指标中MAE和RMSE分布差距大部分在10人次之内。