当今世界正处于指数级扩张的发展进程,城市人口的大幅增长带来规模增益的同时,也带来了多方面的全球性挑战。面对城市的巨大转变期,城市人口的空间分布研究随着对城市理解的不断深化而推陈出新。在此进程中计算机科学的人工智能技术介入规划领域,为各方面研究提供了强有力的分析工具。城市人口分布问题的研究从静态人口转向动态人流,从宏观粗颗粒度转向微观细颗粒度,从简单函数拟合转向机器学习与预测。在此背景下,本文在总结城市人口分布相关研究的基础上,采用手机信令等多源数据建立以空间形态、区位势态和功能业态三个类别为基础的指标体系,分别构建了的基于SGD算法的区位模型（多元线性回归分析和多元非线性回归分析两种思路）和基于XGBoost算法的预测模型对南京市的人流密度进行预测。结合两种模型的预测结果从分级聚类特征、人流频数分布、人流时间曲线、模型应用前景多个维度进一步进行机制研究、问题总结和应用展望。具体来说,本文结构如下:第一章为绪论,介绍了城市人流密度预测的研究背景、研究意义、研究内容和研究目标,并总结了相关研究方法及全文的技术路线。第二章为研究综述与理论框架,在研究综述中梳理了19世纪以来学者们对于城市人口空间分布的相关研究,并将其整理为三种类型:基于城市中心的区位模型、基于相互作用的引力模型、基于数据学习的算法模型。结合前人的研究成果提出本文的理论框架,将城市人流的内在机制归纳为空间形态、区位形态和功能业态三种类别因素的综合影响。第三章为模型预处理,明确了研究范围、空间单元、基本数据信息,对手机信令数据进行轨迹填充,使之满足人流密度的预测目标。细化指标体系,构建了3大类、6中类、36个小类的层次体系,并根据数据特征调整误差与准确率的定义。最后分析南京市人流密度的现状空间分布概况。第四章为实证研究,从空间、区位和功能三个方面出发探索合理的区位模型建模思路。基于相关性分析和指标筛选,从多元线性回归模型和多元非线性回归模型两种思路分别构建城市人流预测模型,并采用随机梯度下降算法（Stochastic Gradient Descent,SGD）优化大规模样本的参数求解过程。根据预测准确率评价两种回归模型,并总结区位模型在人流预测研究中的局限性和经验。第五章在区位模型的反思上,为解决样本实际人流密度空间上分布不均衡的问题,模型顶层设计为C4.5算法决策树,控制样本分类为0和1两种类别,并采用XGBoost算法（e Xtreme Gradient Boosting）对每个分支类别进行针对性学习,最终形成由底层特征对应人流密度的预测模型。基于XGBoost算法的预测模型在测试集全局与高值区间均有较好的准确率,预测性能较区位模型得到了较大的提升。最后选取珠江路地区的测试样本详细观察,探讨模型在地区改造、活力提升等应用场景的实践价值。第六章为表征和机制分析,结合区位模型和算法模型的预测结果,探讨了城市人流内在机制的复杂性,并从分级聚类特征、人流频数分布、人流时间曲线、模型应用前景多个维度进一步进行机制研究、问题总结和应用展望。第七章为研究总结,在全文的基础上总结研究的不足之处以及对拓展方向的展望。本文正文共81665个字,插图70幅,表格29幅。