随着城镇化水平的提升和经济的发展,人们使用交通工具出行的需求日益增加,因此引发了一系列日趋严重的交通问题,增加了人们的出行成本,使能源消耗和环境污染增加,同时带来了安全隐患。为解决这些问题,智能交通系统ITS(Intelligent Transportation System)被相关学者提出。ITS是近年来发展起来,以现代化、智能化技术管理和控制交通系统的智能信息系统,对缓解交通拥堵,减少交通事故,减轻能源消耗等有着重要的作用。本文主要研究智能交通系统中的一个关键问题,交通流量预测,并聚焦于城市轨道交通系统中的突发客流。城市轨道交通系统中的突发客流由于其突发性强、危害性大,使得对突发客流量的分析、预测、预警成为一个重要但有挑战的工作。传统的交通流量模型更多基于仿真,或通过线性模型基于对历史流量的拟合对未来交通流量进行预测。但随着传感网络的普及、计算机科学发展,传统的方式体现出了较多的弊端:一是仿真模型缺乏对真实交通数据包括乘客行为的分析;二是线性模型难以拟合交通流量的复杂特性;三是传统的预测模型缺乏具有提前量的预警机制。针对以上问题,本文以城市中传感网络采集的轨道交通数据为基础,通过大数据技术以数据驱动的方式分析流量特征与乘客行为,为后续建模做准备。将传统模型与机器学习模型相融合,拟合具有复杂特性的交通流量进而做出预测。设计有效的预警机制,对突发客流做出及时、有提前量的预警。即通过以下三个步骤解决轨道交通系统中的突发客流问题:分析流量特征挖掘乘客行为;预测未来一段时间的客流量;预警突发客流及时发出信号。本文基于上述步骤,主要包含以下四部分工作:在第一部分工作中,针对数亿条智能卡刷卡日志数据的海量、进出标识缺失的问题,我们使用了分布式大数据存储与计算技术对站点客流量汇聚,对乘客出行信息补全和提取,在此基础上分析了客流量特征和个体群体时空行为。相比于已有的方法,我们提出了一个新颖的视角,对乘客往返行为的分析,此视角的优势是可以更加深刻地理解不同站点各个乘客的驻留起止时刻分布和总时长,进而理解乘客的常规行为和异常行为。实验结果表明,我们的分析视角和方法可以为轨道交通客流量的预测预警提供有效的洞察。在第二部分工作中,针对客流量复杂的空间相关性和时间依赖性的特点,我们提出了一种深度学习模型—时空注意力网络,并使用多输入多输出的多步预测策略解决客流量长期预测的误差累积问题。与已有方法相比,我们的方法同时兼顾了客流量的空间相关性和时间依赖性质,利用空间子网络计算临近站点的客流量对目标站点的相关性,利用时间子网络计算历史客流量对预测未来客流量的影响。实验结果表明,我们的方法在各个时间步的预测性能均优于传统的线性模型、机器学习模型和深度学习模型,比基准模型误差降低了 7.66%—9.16%而且多输入多输出的多步预测策略有效地减少了传统迭代策略的误差累积。在第三部分工作中,针对大规模突发客流频次低、变化快、成分杂的挑战,我们设计了一种新颖的响应预测模式,并基于响应预测模式设计了一个混合方法预测轨道交通系统突发客流的峰值。与传统方法相比,响应预测模式根据观察到的突发客流的乘客行为,设计了一种基于检测的预测思想,将时间序列技术、机器学习算法、物理模型融合,首先检测异常出站客流,之后使用响应算法预测由异常出站客流所触发的突发客流峰值。实验结果表明,我们的方法对突发客流峰值客流量的预测误差比传统方法降低了 64.2%—70.1%,并具有很好的可解释性。在第四部分工作中,针对大规模突发客流的突变性以及预测方法的不足,我们提出了突发客流早期预警技术,包括弹性异常检测算法和在线预警机制,目标是更快、更有提前量地对突发客流进行早期预警。与传统方法相比,弹性异常检测算法能够更加高效地对异常出站客流进行检测,在线预警机制可以实时发布对大规模突发客流的预警。实验结果表明,我们的早期预警技术能够平均提前2小时对突发客流进行预警,弹性异常检测算法的运行效率优于基于滑动窗口的检测方法。