城市轨道交通线路多、规模大等特点给企业带来了巨大的能源消耗,合理的优化列车时刻表将有利于提高列车制动能量的吸收效率,达到节能减排的目的。然而,乘客作为城市轨道交通服务的对象,其随时间和空间的分布具有非均匀性,这就给时刻表的优化提出了更高的要求。在考虑动态客流分布的前提下,对列车时刻表的停站时间进行优化调整,能够在保证乘客高效出行的同时,实现城市轨道交通的节能。本文的主要研究内容如下:（1）利用Hadoop平台强大的分布式计算能力对城市轨道交通历史客流数据进行统计,分析客流随时间和空间的分布特性,在此基础上建立了RBF神经网络客流预测模型,并采用时间序列预测方案对未来研究周期内的客流量进行预测。（2）对城市轨道交通列车再生制动能利用原理进行了分析,以整流机组、在线列车及直流牵引网络等效模型为基础,建立了适用于多车系统能耗计算的直流牵引供电系统仿真模型。利用国内某地铁线路实测数据对直流牵引供电系统仿真模型进行验证,通过实测数据与仿真结果进行对比,高峰时期与低峰时期的变电站实测能耗与仿真能耗的误差均在5%以下。（3）考虑动态客流分布对时刻表优化问题的实际约束影响,建立了以列车停站时间为决策变量,变电站能耗最低为优化目标的时刻表优化模型。针对传统粒子群优化算法计算时间复杂度过大的问题,提出了基于Map Reduce的并行粒子群优化算法,实现对优化模型的快速求解。针对上述模型和优化算法,基于Hadoop平台设计了时刻表优化仿真系统,结合国内某地铁实际线路数据对优化模型进行仿真验证,仿真结果表明,在考虑动态客流对列车停站时间约束的前提下,优化后的时刻表节能率为2.9%,再生制动能量利用率提高了4.97%。