城市轨道交通系统的发展日新月异,它在极大方便居民出行的同时,吸引着大规模客流,提高了公共交通的吸引力。随着轨道交通的使用愈发普遍,高峰时刻运能不足,平峰时刻运能浪费,突发意外情况等等问题随之出现。如果轨道交通运能不根据客流进行实时调整,会造成城市轨道交通出行吸引力的下降和资源浪费,违背了城市轨道交通缓解地面交通拥挤的设计初衷。开展大数据环境下对既有线路的发车间隔优化方法的研究对合理安排运力,及时应对突发状况具有重要的理论意义。论文首先简述课题的研究背景及意义,以及对既有线路进行发车间隔优化的必要性。其次对乘客出行行为理论进行研究,在广义交通行为理论的基础上,分析乘车行为的影响因素,并采用神经网络模型对潜在出行人乘坐轨道交通出行的行为进行预测。对轨道交通客流量时空分布进行分析,以车辆满载度和乘客舒适度为指标建立多目标规划模型,对城市轨道交通运能进行合理安排。在大数据技术、出行行为预测方法、神经网络算法等基础理论的研究基础上,提出运用神经网络算法对每个潜在出行人的出行行为进行预测,并对预测出行行为进行统计分析,在预测客流量分布的基础上进行发车间隔优化。针对神经网络算法中网络结构不确定的缺陷,利用遗传算法全局寻优的特性进行改进。结合Map Reduce分布式处理架构,在对并行策略研究的基础上,对优化采用并行化处理以提高运算效率,节省计算时间,给出大数据条件下优化算法中模型训练耗时久的解决方案。以南京地铁一号线为案例进行算法实验,通过单机式和并行式计算的耗时对比,验证了引入Map Reduce并行框架可有效提高模型训练速度;对常规情况进行发车间隔计算,比较配置运能与实际客流量,验证了算法合理性。本文基于大数据的轨道交通车辆发车间隔优化方法能够实时调整发车间隔,为轨道交通运营公司合理安排轨道交通运能提供理论依据。