近年来,随着经济的发展以及社会的进步,我国对于航空运输的需求显著增长。机场陆侧地面交通服务水平难以适应航空运输的增长需求,面对不断增长的客流量往往显得捉襟见肘。为了分析机场接驳区换乘的运力资源分配情况,到港客流的预测工作变得至关重要。掌握接驳区各种接驳方式的实时客流数量不仅可以提前对运力资源进行合理分配,还可以对机场交通管理工作起到关键性的指导作用,在有序引导到港旅客离开机场的同时提升旅客的旅行体验与感受。本文充分考虑到空港接驳区运力特点,并以国内某国际机场的航班信息以及旅客调查问卷数据作为支撑。首先提出了基于局部加权回归的时间序列分解与自回归模型及深度学习方法相结合的时间序列组合预测方法,得到总体客流量时间序列预测值,再运用Logit模型对旅客接驳方式选择行为进行建模,得到各接驳方式的选择概率,最后对两部分结果整合得到未来一天各个接驳区的实时客流量。其中,对于分解后的不同时间序列各自的分量特性,采用时间卷积网络对季节分量进行预测,采用自回归模型对趋势分量进行预测。然后,提出了一种用于预测一段时间的长短时记忆网络来预测剩余分量,解决了传统LSTM只能进行单步预测的问题,并引入了注意机制来提高分量的预测能力,实现了对以10分钟为间隔的未来24小时到港客流量的较高精度的预测。另外,旅客接驳方式选择的模型通过多因素分析,有效提升了样本数量过多时模型拟合的准确率,并考虑到夜间地铁停运的实际情况,分别建立了23点前后的两种Nested-Logit模型。实验结果表明,客流时间序列预测模型中,基于组合模型的预测是可靠的,其性能优于单一模型,每个指标都反映了模型的优越性和独特适用性。另外,旅客接驳方式选择模型中,本文Nested-Logit模型对23点前后两种情况的总体命中率均达到80%以上,在求得出租车、网约车、私家车、机场大巴以及地铁五种接驳方式选择概率的同时,模型中对各种方式的预测偏差均小于4%。研究结果表明本文所提出的模型对于预测机场到港客流方面具有一定的科学意义和实用价值,为机场客流预测工作提出了新的有效途径,可为机场接驳区的运力资源分配提供参考。