在地铁站点呈大客流发展的情势下,如何采用有效的技术手段精确把握地铁站点客流的关键指标,为预警管理提供决策数据,保证站点安全运营,已经成为地铁运营的核心问题。为了更好的跟踪站点客流变化趋势,掌握站内区域客流密度。本文以单个地铁站点为研究对象,就如何获取站点客流量和站内区域客流密度两个重要客流指标,进行了深入的研究。提出了一种基于AFC数据的地铁短时客流预测算法和一种基于视频监控的地铁区域客流密度估计算法。两种算法的预测结果,能够为地铁站点的客流预警工作提供相关决策数据。本文主要工作内容如下:1.地铁短时客流预测算法。本文基于AFC数据对地铁客流进行时空特征分析,提出短时客流预测模型GA＿LSTM,实现以10分钟为粒度的地铁客流量预测。首先本文利用对时间序列数据处理十分有效的LSTM网络搭建站点短时客流量预测模型。然后针对LSTM模型超参数中输入时间步、神经元数量、批次样本数、迭代次数难以标定的问题,设计遗传算法对超参数组进行多目标寻优。最后通过对杭州市火车东站地铁站工作日与非工作日进站客流量进行预测实验。同时与其他预测模型,进行实验对比分析。结果表明,本文提出的GA＿LSTM模型相比于其他模型能够对站点短时客流量进行更为有效地预测,并且本文设计的遗传算法进一步提高了LSTM模型的预测精度。2.地铁区域客流密度估计算法。本文基于地铁视频监控数据,以区域整体客流为研究对象,提出了基于卷积神经网络的客流密度与客流数量估计算法。针对学习图像多尺度特征与提高生成密度图分辨率两个问题,本文设计了基于卷积神经网络的人群多尺度特征聚合网络CMSNet,并使用多任务学习机制对模型进行优化。此外,本文还提出一种新的尺度自适应真值密度图生成算法。实验表明,本文提出的算法在两个公开人群数据集及本文提出的针对地铁场景的S＿ST数据集上都能较好的对区域客流数量进行估计并输出较高分辨率的密度图。3.地铁站点客流预警分析。本文结合示例站点,对站点的客流量阈值及区域客流密度阈值进行讨论。根据得到的预警阈值体系,对本文的客流预测结果与区域客流密度估计结果进行预警分析。为地铁运营部门的预警工作提供参考,以便对站点进行整体的安全预警。