随着大量新建线路投入运营,城市轨道交通运营线网不断完善,结构日渐复杂,网络化运营特征日趋明显。轨道交通网络拓扑的复杂化,使得乘客在轨道交通网上的路径选择行为越来越复杂;同时,乘客的异质性日益凸显,路径选择偏好各有差异,这些因素给轨道交通客流清分带来了很大挑战。传统的客流清分依赖调研数据,片面性、武断性较大,且成本高,难以保证算法的动态适应性。而轨道交通客流大数据的不断积累,为基于乘客差异化客流分配提供了完善的存量数据。为此,本研究创新性的利用大数据手段,从乘客出行时空特征挖掘入手,基于长期的交通卡出行信息,将乘客从出行规律角度分类,并对不同类别的乘客进行差异化的客流分配。具体地,本研究生要完成了以下几方面的工作:首先,对客流分配的对象即乘客进行特征聚类,利用长时间跨度乘客AFC数据提取出行时间及空间特征。从出行频率、空间一致性等方面进行规律性乘客筛选。对于规律性乘客,引入语义分析的主题模型,从出行时间差异的角度识别出10个出行主题,并在此基础上利用K均值聚类算法将乘客分为6类。分析了不同类别乘客的出行时间、空间分布规律,从而初步识别了其社会经济属性;其次,采用多项Logit模型建立城市轨道交通客流分配模型,考虑了旅行时间、换乘费用、路网熟悉程度、拥挤度等因素的影响搭建算法框架。在参数标定方面,摒弃传统的问卷调查,创新性的利用基于贝叶斯推断的参数标定方法,通过MCMC算法结合AFC数据、换乘站步行时间数据等进行求解,得到对应每类乘客出行特征的参数集;最后,以北京地铁2016年线网为例,利用上述方法依次对各个类别乘客进行客流分配,整合得到全日客流结果;为分析高峰客流时期的客流情况,提取虚拟OD矩阵进行客流分配,计算得到全日及高峰时间的断面客流、客流统计指标、换乘客流等结果,验证了模型的可行性及适用性;在高峰客流的基础上还分析了拥挤度影响下乘客路径选择概率的变化,结果表明拥挤度指标对客流分配结果有显著影响。论文提出的基于AFC数据的乘客分类及客流分配方法可根据不同时段的出行数据确定分类结果及标定参数,方法时效性强,可动态调整,参数标定样本范围广,结果有量化依据,更加合理。方法完善了传统的客流分配算法,加强了算法普适性,是轨道交通运营效果的后评估,为网络化运营下的客流清分提供参考。