随着社会经济迅速发展,城市居民出行需求不断地增长,使得城市交通面临环境污染,交通拥堵等严峻的问题。为了解决城市交通面临的问题,优先发展城市轨道交通逐渐成为交通管理部门的共识。城市轨道交通具有方便、快捷与载客量大等特点,成为了城市居民出行的主要交通工具。然而城市居民出行需求多样,使得轨道交通面临的拥挤等复杂难题。针对城市轨道交通存在的问题,交通管理部门已经采取了相关措施来转移部分客流,但未能充分掌握乘客的规律,因此效果不明显。为此以AFC数据为基础,深入分析乘客的行为特征与挖掘乘客出行规律,并对乘客的出行进行预测,有助于交通管理部门作出科学的决策与规划。本文研究的具体工作及取得的创新性成果包括:(1)在乘客出行类型划分方面,提取了乘客出行强度、时间以及空间维度的出行特征,并计算每个特征的权值大小。优化初始聚类中心的选取,在此基础上创新地通过混合类型聚类算法将乘客聚成4类。通过分析不同类型乘客的聚类中心与出行特征分布,从而推断乘客出行类型为:早晚高峰生活类乘客、午平峰生活类乘客、弹性工作类乘客和通勤类乘客。(2)在乘客出行模式方面,首先利用幂律分布检验法来实证乘客群体出行时间间隔的行为规律,并创新地结合乘客出行时间分布解析幂律形成的机制。分析乘客个体出行时间间隔的分布,得到的结论是:个体层面的乘客出行时间间隔分布不具备服从幂律分布的普适性。其次使用齐普夫定律和幂律分布来检验地铁站点客流的无标度性,并创新地使用地铁附近的设施数目来解析站点客流幂律分布形成的机制。最后统计乘客个体出行时空熵特征,挖掘出乘客出行时间熵与空间熵之间具有强的相关性。(3)在乘客出行预测方面,首先根据乘客出行特征与出行时空熵来选取预测样本,分别对乘客出行时间与出行OD进行分析。其次分别提取预测乘客的下一次出行时间、下一次出行站点、到达时间、到达站点这四个行为的训练特征并编码。最后基于编码后的特征,创新地选取具有高预测精度的xgboost模型来对乘客出行行为进行预测,并使用多层感知机模型来佐证分析。结果表明xgboost模型的预测精度优于多层感知机模型预测的值,xgboost对上述四个出行行为平均预测精度分别为0.619,0.867,0.769与0.875,而多层感知机模型平均预测精度分别为0.565,0.807,0.749与0.837。