随着城市轨道交通线路的建设与完善,传统的“四阶段法”进行轨道客流预测面临着新需求的挑战:一方面,轨道线网、站点的加密和换乘条件的改善使得乘客面临更丰富的出行选择,而不仅仅拘束于选择“距离最近站点”;其次,各城市新的线路不断投入使用的现实背景下,既有轨道站点的客流变化也成为需求预测的重要内容之一。因此,本文重点针对新线路投入运营、站点周边交通设施增设(公交规划、公共自行车规划等)及城市商业点转移三类条件下的轨道站点客流总量及波动情况预测展开研究。首先,本文从轨道交通客流运行全过程出发,分析站点特性的多维度因素与站点客流间的相互关系;同时,引入时间序列聚类法对轨道站点客流的波动形态进行了分析,建立了轨道站点客流波动刻画指标体系。其次,面对大数据背景下的数据爬取、数据挖掘与机器学习技术,结合轨道客流直接预测的研究目标与特性,本文构建起轨道站点数据研究框架。从统计性数据与获得性数据出发,对研究数据的选择、获取、预处理与挖掘进行了研究与分析,建立了流程化的预测基础数据的通用的处理流程。再次,本文基于线性假设条件下,从站点角度构建轨道客流直接预测模型,即城市轨道站点客流总量直接预测模型、站点客流波动形态直接预测模型两个多元线性回归模型,构建起应用站点特性进行轨道客流预测的模型结构。最后,以南京市城市轨道刷卡数据及开放数据源爬取数据为基础,本文开展了对轨道站点特性与其客流量及客流波动因素间的相关性分析,并利用机器学习方法对轨道客流直接预测模型的相关参数进行了标定与模型有效性测试。研究结果表明,区域活力密度及站点拓扑因素(整合度、选择度)等多维度因素对轨道客流直接预测模型的构建具有重要价值,多元线性回归假设下的轨道客流直接预测模型具有较为显著的应用效果。