随着城市轨道交通网络结构日益复杂、规模逐渐庞大,建设投资和运营成本往往很高,通常需要多个投资商和运营商承担建设及运营工作。但是为了乘客出行便利,大多数城市采取“一票换乘”制,然而“一票换乘”也为各个线路的运营主体带来了票务收益分配的难题。另外,客流量在出行高峰期和平峰期的分布呈现严重的不均衡性。为了提高运营主体收入分配的公平性以及改善乘客乘车体验,衍生出了轨道交通领域两个经典的研究课题,即研究地铁清分模型和地铁时刻表优化问题。目前针对这两个问题的研究主要基于地铁自动售检票(AFC)系统采集到乘客进出站的数据,借助交通调查等方法推断出乘客可能的乘车线路,这样无法获得乘客实际的乘车路线,研究结果与真实情况之间会存在一些差距。手机作为当今社会重要的通信载体,在人们的生活中起到了无法替代的作用,人们在打电话、发短信、上网时会与附近的基站进行通信,基站可以采集到用户手机号码、通信时间和小区编号等数据。这些移动通信数据具有数据量大、数据覆盖范围广、数据实施性高和数据真实性强等特性。如果将移动通信数据用于轨道交通领域中实际问题的研究中,可以在很大程度上弥补单纯依靠AFC系统提供数据的研究所导致的真实性不足的问题。因此本文以移动通信数据作为入手点,为研究轨道领域两个经典课题提供新思路。本文的研究中第一步是从移动通信数据中识别出用户在轨道交通中的乘车路径。在轨迹识别前,为了减少后续研究的工作量,同时增加算法准确性,需要对移动通信数据进行数据合并、统一、筛选、去误差、压缩等一系列数据预处理操作。本文对地铁轨迹的识别包括地铁的地上部分和地下部分。接着,本文使用灰色马尔可夫模型和加权马尔可夫模型研究城市轨道交通客流分布的预测方法。针对轨道交通的特殊场景,在建模时进行了一系列特殊处理。对第一步识别出的用户轨迹分别采用灰色马尔可夫模型和加权马尔可夫链模型对对进站客流量和个体移动位置进行预测,并且通过示例验证了算法的可行性及有效性。文章由个体移动位置统计出群体移动位置,根据对进站客流量的预测最终得到群体客流分布的预测方法。最后,文章提出移动通信数据在城市轨道交通领域中的应用。依据用户在地铁中移动通信数据和识别出的用户轨迹,借助个体位置预测方法,并配合地铁运营时刻表,提出了基于移动通信数据的地铁清分方法和地铁时刻表优化方法。