随着城市轨道交通的快速发展,地铁车站客流量的预测有利于运营部门观测客流的实时变化趋势,调整列车调度策略,提高服务水平。针对当前客流监测系统中,存在对短时进出站客流及枢纽站换乘客流预测精度不高、普适性差、稳定性低的问题,在原有客流监测系统的基础结构上,设计了基于AFC数据的客流监测系统,提高系统的预测性能。本文研究的客流监测系统主要由两个模型组成:基于SVM的短时进出站客流预测模型和基于混合方法的枢纽站换乘客流量分布预测模型。主要研究内容如下:(1)分析了短时客流的时空特征以及客流预测的研究现状,结合客流特征和客流监测系统的需求,给出了客流监测系统的总体框架和软件部分的设计,介绍系统关键技术的思想和工作流程,并实现了客流监测系统。(2)研究了短时进出站客流预测技术。根据不同站点具有不同的客流波形特征,使用凝聚层次聚算法对站点一周客流进行分析,并对一周客流进行分类,对每一类客流的历史时间序列进行相关性分析,选择相关项较强的序列进行SVM回归预测。并提出了双种群自适应混沌萤火虫算法寻优SVM模型参数,该算法中引入双种群机制,提高种群多样性和随机分布能力;引入混沌吸引度提高算法全局搜索能力,避免初始值原因陷入局部最优;加入自适应搜索步长,提高算法收敛速度和求解精度。实验结果表明:短时客流预测模型在不同站点都能对客流进行有效预测,改进算法的性能提升明显,满足了客流监测系统对客流预测的高精度、普适性好的性能需求。(3)研究了最大熵模型在枢纽站预测换乘客流分布的技术。针对传统客流监测系统中存在无完整现状OD矩阵时无法预测的问题,为提高系统的鲁棒性和稳定性,设计了基于改进最大熵模型和重力模型的混合预测方法。改进的最大熵模型引入换乘出行距离和换乘厌恶时长进行约束求解,提高了无完整现状OD矩阵时的求解能力;使用熵值法标定出行阻抗,得到重力模型,以提高预测的稳定性。最后结合两种模型的优势,形成混合的预测方法,对枢纽站换乘客流分布进行有效预测。实验结果表明:枢纽站换乘客流的混合预测模型在有无完整现状OD矩阵时,都能对换乘客流分布进行预测,满足了客流监测系统对客流预测的高精度、稳定性好的性能需求。