随着我国交通运输行业的蓬勃发展和城市化进程的加速推进,以城市群为整体的发展模式受到越来越多的关注。交通一体化是城市群协同发展的必要条件,其中,交通枢纽作为链接城市群内部各节点城市的重要节点,枢纽间的分工合作、协同运行实现交通一体化的关键。本文以城市群枢纽间客流分布预测为研究对象,在考虑数据的可获得性以及方法的适用性,并综合考虑网络节点的重要度和其他时空因素的基础上,提出了基于非集计理论与深度学习方法的城市群枢纽间客流分布预测模型,为制定合理的枢纽规划和运营组织方案提供重要支撑。首先,根据手机信令大数据平台的数据库结构,利用SQL语言设计了起讫点（OD,Origin-Destination）数据提取算法,并根据密度最大法确定各交通枢纽最优取样半径。利用K-means聚类方法对提取的OD数据进行交通方式划分,并与各方式实际行程时间进行对比,验证提取数据的真实性和准确性。其次,基于Space L方法构建复杂网络拓扑模型,从度数与度分布、网络的直径、聚类系数、介数四个方面开展网络特性分析。分析结果显示介数能够有效表征枢纽在城市群交通网络中的关键程度,但是传统的介数指标仍存在零值与评级近似的问题。为解决上述问题,本研究构建改进介数模型,通过网络中的流量加载模型,计算得到各OD间的多路径选择概率,并提出了利用流量加权的改进介数的计算模型。计算结果显示改进介数模型能够有效改善传统介数模型的缺陷。再次,基于非集计理论,以网络节点重要性、换乘、同城等五个影响因素共同构建乘客在枢纽间网络中目的地选择模型的效用函数,以刻画乘客综合感知费用与OD分布特征。利用效用函数构建MNL（Multinomial Logit Model）模型,并引入WESML（Weighted Exogenous Sampling Maximum Likelihood）算法作为求解方法;基于计算所得的OD对选择效用,构建乘客综合感知费用矩阵与OD对的选择概率矩阵;基于深度学习理论,构建STGCN（Spatio-Temporal Graph Convolutional Network）模型,考虑客流变化的时空分布特征,预测未来时刻枢纽网络中各枢纽的进出站量。结合OD对的选择概率矩阵,预测未来OD分布。最后,利用京津冀城市群中产生的手机信令数据,实例验证模型的准确性与适用性。选取京津冀城市群10个重要枢纽构建网络模型,利用提出的改进算法求解网络节点的介数,并利用历史数据对深度学习模型进行训练;在对未来6小时的进出站量预测中,模型的平均绝对误差为19.62（人）;结合OD选择概率矩阵,预测未来的OD分布,其平均绝对误差为2.38（人）;结果验证了本研究所提出模型能够较好的捕捉城市群枢纽间客流变化特征,可为城市群综合交通一体化发展、枢纽间协同运营组织提供良好的决策支持。