随着我国城市化进程的加速推进,交通拥堵和尾气污染等一系列问题日益严重。轨道交通作为“新基建”焦点领域,以其运量大、速度快、绿色安全等特点成为满足城市居民出行需求的有效解决方案。但是随着轨道交通线网建设规模的不断扩大,日益增加的客流压力对线网系统的效率和安全提出了新挑战。精准的客流预测有利于提高轨道交通系统运行效率和服务水平,预防轨道交通安全事故发生,指导城市居民科学出行,具有重要意义。大量学者对轨道客流预测问题开展了深入研究,但预测精度有待提高,且突发事件影响下（如大型活动）轨道客流预测相关研究较少,多采用“黑箱式”预测方法,不能体现突发时间的客流特征。集成树模型具有预测精度高、泛化性能强等优点,适合数据体量大的应用场景。本文基于集成树理论构建了轨道交通进站客流预测模型,并考虑大型活动下轨道客流出行特征,进一步构建了大型活动下轨道交通进站客流组合预测模型,主要研究内容包括:（1）采用数理统计方法对轨道交通客流变化规律进行分析。总结轨道交通系统宏观特征,分析常态下和大型活动下轨道交通进出站客流分布规律,分别从时间、空间和外部因素角度归纳轨道客流影响因素及其作用。（2）轨道交通站点关联性分析和特征选择。对多源数据集进行补全、去坏和融合;使用经验模态分解（EMD）对客流数据进行分解去噪,结合理论分析证明本文预测模型对数据噪声的稳定性;使用动态时间弯曲（DTW）距离构建关联站点选择算法;构建轨道交通客流属性特征和统计值特征,并使用最小绝对收缩选择算子（Lasso）回归方法对统计值特征进行筛选。（3）基于集成树理论构建进站客流预测模型。以分类回归树模型（CART）作为基学习器进行Boosting集成,以损失函数梯度为拟合目标构建了XGBoost、Light GBM和Cat Boost模型,并使用贝叶斯优化方法对3种集成树模型进行超参数寻优。预测结果证明,集成树模型的预测准确率达93%,优于传统预测方法。（4）构建大型活动下进站客流组合预测模型。将大型活动进站客流分解,对于突发成分客流,使用客流序列检测方法求解活动客流总量,使用牛顿冷却定律预测进站客流峰值大小,使用泊松分布预测进站客流峰值出现时刻;对于常态成分客流,使用Cat Boost模型进行预测,并在时间维度上对预测结果融合。预测结果证明,组合模型预测准确率相较于集成树模型提升了近2%。图60幅,表32个,参考文献73篇。