目前,我国城市轨道交通已经步入快速发展期,各大城市线网规模快速扩张,轨道交通逐渐成为城市公共交通系统的骨干,其高效运转成为推动城市发展的重要动力。近年来,各类大规模文体赛事、庆典活动愈发频繁,极大程度地影响了城市轨道交通的正常运转,往往造成短时客流骤增,加剧了线网运营的不均衡性以及潜在的运营风险。为应对大型活动对线网客流造成的冲击,需准确预测大型活动场景下的客运需求,以便妥善组织运力调整,避免活动散场带来的局部拥堵现象。此外,封站管控越来越多的被应用于大型活动下的客流组织工作中,有必要针对封站干预条件下的客流规律展开深入研究。本文在考虑城市轨道交通线网时空关联特性的基础上,结合线网客流特征规律,分别提出适用于常态条件、大型活动以及封站干预条件的客流预测方法,以全方位支撑大型活动相关的客流预测工作开展。主要研究内容如下:首先,依托海量的历史客流数据,对比分析常态条件、大型活动以及封站干预条件下的线网客流规律,明确影响不同场景下客流演化的关键因素,为充分发现客流预测工作需求,设计科学、有效的客流预测方法提供参考。其次,针对常态下短时客流预测问题,提出一种融合循环门控单元和图卷积神经网络的GCGRU模型,利用图卷积网络GCN(Graph Convolution Network)提取不同车站客流空间关联性,结合循环门控单元GRU(Gated Recurrent Unit)刻画车站客流的时变特征,相较ARIMA(Autoregressive Integrated Moving Average)、SVR(Support Vector Regression)、BPNN(Backward Propogation Neural Network)等模型,预测精度显著提升。然后,基于常态下的背景客流特征,进一步研究大型活动下的客流预测问题。构建基于客流成分划分的灰色预测模型,通过分析活动进站量与OD分布量的历史规律,预测大型活动影响下的客流分布,基于广交会的案例结果表明,该模型具有较高的准确性与良好的适应性,可满足对运输组织与客运服务的决策需要。最后,引入大型活动下的封站管控场景,提出基于SAX(Symbolic Aggregate Approximation)和DFM(Dynamic Factor Model)的组合预测模型,通过SAX算法辨识封站管控的潜在影响范围,利用DFM分解客流的一般特征与波动特征,基于国庆70周年庆典活动的封站案例研究表明,该方法能够有效辨识受影响车站,相较于ARIMA模型,均方根误差下降26.1%,平均绝对误差下降20.78%。图51幅,表10个,参考文献74篇。