由于客流需求具有明显的早晚高峰特征,地铁线路在高峰时段与平峰时段采用不同的行车间隔,但同一时段内一般采用等间隔运行图。这种运行图适用于各时段内车站客流均衡到达的情况。对于衔接城市间铁路客运车站的地铁线路而言,客流需求随铁路列车到达在时间上表现出较强脉冲性,同一时段内的客流分布并非连续均衡。对于这类线路,分时段的等间隔运行图难以满足时变的客流需求,会延长乘客滞留时间。尤其是对于客流量较大的地铁线路,受换乘客流短时间集中到达的影响以及列车载客能力限制,乘客留乘现象明显,大大增加了站台高负荷风险,影响了服务水平。本文考虑两种典型的换乘客流(铁路换乘客流、地铁系统内部换乘客流),刻画换乘客流在站台的到达规律,然后根据换乘客流的分布特征,考虑列车载客能力的约束,优化地铁线路列车运行图。主要研究内容与结论如下:1、换乘客流分布规律刻画与验证。不同于非换乘车站近似均匀到达的进站客流,换乘客流随其他线路列车到达表现出较强不均衡性。本文分析了乘客换乘全过程及各阶段乘客行为特征,并构建数学模型刻画了抵达地铁车站站台的换乘客流分布情况。与实地调研得到的客流数据对比表明,利用本文换乘客流规律刻画方法计算得到的客流规律比较符合实际客流分布情况,预测精度可达90%以上。2、考虑大型换乘站客流分布规律的地铁列车发车时刻优化建模与求解。基于刻画得到的各换乘车站换乘客流时间分布,以客流量最大的换乘车站乘客等待时间最小为目标,考虑列车载客能力与运行图时分标尺约束,构建了地铁列车发车时刻优化模型。鉴于模型复杂度,分别设计了遗传算法和自适应大邻域搜索算法对模型求解。北京地铁9号线案例分析表明,遗传算法和自适应大邻域搜索算法优化后的列车运行图与实际运行图相比,分别减少地铁北京西站乘客等待时间23.57%和28.47%。而且,优化后运行图相较于初始方案可以使得更多列车开行在客流密集到达时段,能够在一定程度上减少北京西站站台滞留乘客数,缓解乘客留乘现象。3、基于全线换乘客流分布规律的地铁列车运行图优化建模与求解。在实际运营中,地铁线路上各换乘车站客流具有各不相同的脉冲性。为此,本文以全线乘客总旅行时间最小为目标构建了列车运行图模型,优化研究时段内各车次首站发车时刻、区间运行时分和停站时分。分别利用遗传算法和自适应大邻域搜索算法进行求解。北京地铁9号线案例分析表明,遗传算法和自适应大邻域搜索算法优化后的列车运行图与实际运行图相比,分别减少全线乘客总旅行时间2.89%和11.2%,说明自适应大邻域搜索算法在求解大规模问题时更具优势。而且上述模型对于全线乘客旅行时间的节约(11.2%)要明显高于仅考虑大客流换乘站客流分布特征构建的列车发车时刻优化模型(0.61%)。此外,与实际运行图相比,优化后的运行图还可以有效缓解地铁车站站台和列车内拥挤程度,对于提高乘客服务水平具有一定意义。