随着城市轨道交通系统高速发展,地铁客流量逐年攀升,换乘站点作为连接不同线路的枢纽,逐渐发展成城市大规模客流的主要聚集地,如何分析换乘客流分布的客观规律,实现乘客乘车需求和地铁运力的匹配,提高轨道交通运营效率,是当前轨道交通领域的研究热点。因此,本文基于地铁AFC数据,结合地铁站点静态信息表,识别乘客出行路径及换乘站点,提取各换乘站点在不同方向、不同时刻的换乘客流,进而实现对换乘站内部的换乘客流预测,为地铁运营管理部门制定运营管控方案提供依据,提升乘客的换乘效率,减少地铁换乘站客流拥塞的发生,具有重要的科研价值和实际意义。论文的主要内容如下:（1）针对地铁AFC数据中存在异常数据的问题,制定了异常数据处理规则。首先,对北京地铁路网情况及AFC数据的字段含义进行描述并提取了主要字段。其次,针对六种具体的地铁AFC异常数据类型,制定了相应的数据清洗原则。然后,结合地铁站点静态信息表匹配进出站点,生成地铁乘客的出行OD。（2）为提取地铁换乘客流数据,引入了基于图的深度优先搜索算法对乘客的出行路径进行识别。首先,对北京市2018年4月4日-5月31日的换乘客流进行了统计分析。其次,构建北京市地铁路网拓扑矩阵,利用基于图的深度优先搜索算法对乘客的出行路径及换乘站点进行识别。然后,结合出行路径及进出站时间计算换乘时刻,提取各换乘站的换乘客流数据,并以北京地铁西直门站及阎村东站为例,分析两个站点不同方向的换乘客流随时间变化的分布规律。（3）为实现地铁换乘客流的预测,基于深度学习算法构建了GRU预测模型。首先,通过实验对比梯度下降算法选取Adam算法对GRU的内部参数进行优化,搭建基于GRU的换乘客流预测模型。然后,划分了工作日（不含周五）、周五、休息日三种场景,按照客流的分布规律选取不同场景,对西直门及阎村东站的换乘客流进行预测,结果表明,GRU模型的预测精度比LSTM模型至少提高了1.05%。（4）考虑到换乘客流数据的不平稳性,引入了STL时间序列分解算法,构建了基于STL-GRU的换乘客流预测模型。首先,利用STL算法对换乘客流进行分解,并对分解后的余量采用3σ原则进行异常值的剔除与填充。其次,搭建STL-GRU组合模型对分解后的各分量进行预测。最后,以西直门站和阎村东站为例,将STL-GRU模型的预测结果与STL-LSTM、GRU和LSTM模型进行对比,结果表明,在不同场景下对不同方向的换乘客流进行预测时,STL-GRU模型的预测精度相比于其他三种模型至少分别提升了2.25%、1.12%、1.37%。