城市轨道（以下简称“城轨”）交通异常客流是指受到大型活动、节假日、极端天气以及疫情等异常情况影响导致城轨客流量或者客流变化规律脱离常规范围的情况。这些非正常客流往往对轨道交通系统的正常运营产生干扰,因此应该特别加以重视。尤其是在当今气候极端化、疫情常态化、人流频繁化的大背景下,闻雨色变、闻疫色变的心理严重影响着人们的出行选择,异常客流的发生频率已经远超以往。然而,目前的城轨客流预测模型大多针对常规情况采用单一数据源进行预测,在异常情况下的预测具有固有的缺陷。在仅从历史客流数据中进行特征学习已经无法满足城轨异常客流预测需求的前提下,本文采用多源数据融合的方法,试图利用多种数据源之间的相互支持、补充、纠正对预测目标进行学习。为了全面解决目前已有的城轨异常客流问题,并为城轨异常客流预测模型构建提供理论基础,本文主要进行了以下四个方面的研究:（1）基于多源数据融合的城轨异常客流预测技术。本文通过预测难度度量方法对基于单一数据源的客流预测难度进行了度量,结果证明异常情况下大量车站难以通过单一数据源获得准确预测结果,证明了单一数据源预测的局限性和多源数据融合预测的必要性。本文结合城轨运营管理专业知识、客流特征分析、数据融合理论和深度学习模型特点提出了基于多源数据融合的城轨异常客流预测技术框架,该框架指导了后续三个不同的客流预测模型构建,并且提供了充分的灵活性和可拓展性,供新的数据源或预测任务使用。（2）融合兴趣点数据的全网异常客流预测研究。针对可能导致城轨客流异常的节假日和异常天气情况,本文提出了一个全网预测模型。在数据方面,我们开发兴趣点数据作为新的数据源,采用本文提出的三阶段方法可以将兴趣点数据转换为站点功能类型指标用于模型输入。在模型构建方面,我们利用三个模块分别提取异常扰动特征、时间相关性特征和空间相关性特征。在异常扰动特征提取模块,我们采用卷积神经网络（Convolutional Neural Network,CNN）提取扰动的时空影响;在时间相关性特征提取模块,我们用三个门控循环单元（Gated Recurrent Unit,GRU）网络分别对时间的近期亲密性、周期性和趋势性模式进行拟合;在空间相关性特征提取模块我们用图卷积网络（Graph Convolutional Network,GCN）提取城轨网络复杂的空间拓扑关系。最后,采用融合算法对三个部分的特征进行融合并得到预测结果。在北京城轨交通真实数据集上的实验结果表明,本文提出的模型优于其他基线模型,不同变体间的对比实验表明,三个模块均对模型预测精准度的提高具有重要意义。（3）融合网站数据的重点站异常客流预测研究。针对可能导致城轨客流异常的大型活动情况,本文提出了一个重点站客流预测模型,该模型可以输出对未来多步客流的预测结果。在数据方面,我们利用网站数据作为新的数据源,从网站数据中提取与大型活动相关的信息并进行特征表示。在模型方面,我们同样构建了与前一章相似的三个子模块,我们基于长短期记忆神经网络（Long Short-Term Memory Neural Network,LSTM）和全连接网络对三个模块的特征进行提取。在具体的特征选择方面,我们采用了一些特征工程的方法,例如利用动态时空扭曲或平均旅行时间选择关键特征。最后,我们用多个注意力LSTM网络从融合后的特征中提取各时间步的预测结果。在北京城轨交通真实数据集上的实验结果表明,我们的方法优于其他基线模型,多步预测结果精确度较高具有可行性,适量的相关车站信息可以提高模型预测效果。（4）融合搜索引擎数据的总量异常客流预测研究。针对可能导致城轨客流异常的疫情情况,本文提出了一个全市总客流量预测模型。在数据方面,我们开发了搜索引擎数据捕捉疫情下的客流变化趋势,通过搜索-查询-挖掘和特征选择过程获得关键的客流预测因子。在模型方面,我们采用堆叠式式自编码器深度神经网络（Stacked Autoencoders Deep Neural Networks,SAE-DNN）从多源数据融合后的特征中进行学习并预测。在北京城轨交通真实数据集上的实验表明,我们的模型可以成功捕捉疫情下的城轨交通变化模式,其预测效果显著优于其他模型。基于上述主要工作,本文创新点和主要贡献概括如下:（1）本文提出了基于多源数据融合的城轨异常客流预测框架,该框架利用分支-转换-融合策略,将城轨异常客流预测任务分为扰动相关性特征、时间相关性特征和空间相关性特征三个分支。（2）本文提出了融合兴趣点数据的全网异常客流预测模型,该模型可以在考虑不同站点类型的前提下对客流量进行预测;在模型中,首次将兴趣点数据运用于城轨交通客流预测。（3）本文提出了融合网站数据的重点站异常客流预测模型,该模型融合网站数据并基于多任务学习策略可以预测未来多个时间步的客流量;提出了一套从互联网中获取与大型活动有关的信息,并进行特征表示的方法。（4）本文提出了融合搜索引擎数据的总量异常客流预测模型,据我们所知这是第一个有关疫情下的客流预测研究,填补了相关领域的研究空白;创新性地将搜索引擎数据运用于交通客流预测中。