近几年，城市轨道交通在我国发展迅猛，许多大城市已建成具有一定规模但未完全成熟的轨道线网，因此城市轨道交通产生了许多问题。其中，城市轨道车站客流高峰期持续时间的准确预测是轨道管理部门特别关注的问题之一。
　　本文首先利用python、matlab等软件对轨道AFC数据进行处理和分析，获得轨道车站的进站客流。接着对轨道车站进行调查，得到轨道车站易发生拥堵部位(安检处、检票闸机处、楼梯扶梯上下处)的理论客流服务能力，并按照V85理论将最小服务能力的85%客流值作为客流高峰期临界阈值。此外对客流高峰期的起终点设置判断条件，并获得客流高峰期每分钟客流量和持续时间。最后对车站日客流和客流高峰期变化特征进行分析，并进行高峰期起点预测。
　　其次，选择三个模型对城市轨道车站客流高峰期持续时间进行预测研究，并以南坪车站作为实例研究对象。1)建立传统多元线性回归模型(MLR模型)，选取其中具有线性关系的因素作为模型的自变量，测试数据应用结果表明该模型RMSE=28、MAE=20，并按照30min的离散条件对预测结果进行离散化处理，总体精度较差，仅在(60，90]min区间内的预测效果较好，所以传统模型具有较大的局限性。2)构建贝叶斯网络模型(BN模型)，将影响因素进行离散化处理并导入模型进行结构学习和参数学习，获得贝叶斯网络结构图。该结构图表明与预测结果存在直接影响关系的因素有5个。将测试数据的持续时间按照15min、30min、60min三种条件进行离散化并进行应用，结果显示：三种条件下的总体分类预测准确率都高于90%，且部分时段的预测准确率都达到100%，同时极端情况下的预测效果好，其中15min条件下的预测效果最好、60min条件下的预测效果最差。整体表明，BN模型能够较好的对城市轨道客流高峰期持续时间进行分类预测。3)构建支持向量回归机模型(SVR模型)以及组合模型(BN-SVR模型)，实验结果表明：SVR模型整体预测效果好，RMSE=13、MAE=7，但在持续时间在75min、110min、150min左右的预测效果较差；BN-SVR模型的RMSE=9、MAE=6，虽然部分时段的预测精度略微小于SVR模型，但在75min、110min、150min左右的预测精度比SVR模型有较大提高。
　　所以本文建立的BN模型和BN-SVR模型能够科学、精准的对轨道车站客流高峰期持续时间进行预测，为轨道车站部门的管理和运营提供依据。