城市轨道交通从上世纪50年代开始发展至今已在全世界众多城市落地开花甚至已经进入网络化运营模式,然而在城市轨道交通客流预测中,预测结果和实际客流却常常存有较大差异。客流预测作为轨道运营的基础,在资源配置和提供决策方面更能显示出客流预测的数据支持作用。尤其是在工程前期进行可行性研究阶段和工程设计阶段都有着不可或缺的重要性。因此,客流预测的准确性是轨道交通系统持续高效、安全运行的重要保障。本文在全面了解了国内外对城市轨道交通客流预测的研究状况后提出了自己的预测方法,即以小波分析方法将原始客流数据进行分解去噪,使得客流数据信号光滑平整;再用时间序列方法对去躁后的主信号进行预测,最后用神经网络的方法对原始信号经小波分析后的噪声进行预测,最后由时间序列的预测值和神经网络的误差预测值共同一起得到真正的最终预测值。经实验结果比较分析,此方法可行性得到验证。不仅在理论上提供了新的预测方法和思路,在实践中也使城市轨道交通运营部门通过更加精确的预测从而进行一系列更有针对性的组织安排。本文主要工作和成果有以下几点:(1)城市轨道交通客流预测方法总结通过阅读大量文献,总结了国内外研究城市轨道交通客流预测的方法,包括以四阶段法为核心的方法、不依赖其他数据的时间序列法、高精度黑箱式学习的神经网络法、基于非线理论性的小波分析法以及新兴技术方法等。为了全面利用各种方法的优点,设计了以小波分析去噪为先导,时间序列分析预测为主体,神经网络提升精度的预测方法。这三种方法分别基于统计理论的模型,非线性理论模型和神经网络理论模型,能够发挥模型的最佳效应。(2)小波分析去噪通过对小波理论的阐释,对小波变换,多分辨率分析和小波重构做了简要介绍。为了选择最佳小波基及其分解层数,对符合条件的小波做了去噪性能的比较。通过比对去噪方法选定了阈值去噪方法,并对小波阈值去噪方法做了详细介绍,包括去噪原理、去噪原则和阈值选择规则等。(3)时间序列分析预测基于本文所用时间序列分析为SPSS软件所提供的功能,先对SPSS软件做了简要介绍。再对时间序列分析的各模型(简单回归分析和趋势外推法、指数平滑法、ARIMA法、季节调整法)做了分别论述。基于城市轨道交通客流数据特征选定了 ARIMA方法,并着重论述了 ARIMA法的模型、原理及其应用方法包括平稳性分析,模型识别,参数估计,残差验证等。(4)神经网络分析预测对神经网络方法的发展做了简单概述后分别介绍了单层感知器、反向传播BP神经网络、径向基RBF神经网络及综合优化的神经网络等这几个按时间发展顺序的模型,着重介绍了使用最广泛的BP神经网络和各方面性能均有所提升的径向基RBF神经网络,并依据各自的特点选定了适用本文的方法。(5)案列分析结果比较通过本文设计方法得出预测结果,与其他不同模型和方法得出的结果进行比较,得出本文预测方法可行有效的同时,还进行去除节假日后的精度比较,数据量对精度的影响和不同尺度间预测的精度对比。