城市轨道交通客流预测可以为地铁运营部门提供相应的列车调度策略,提高地铁运营效率。随着我国城市开通和在建的地铁线路越来越多,有效预测全网地铁站点客流量的变化,将直接影响全网地铁系统高效有序的运行。更重要的是,如果某个地铁站点一旦发生故障或某地铁站点周边发生突发性事件,有可能造成地铁站点客流量拥挤,影响公共交通秩序。因此,需要预测全网地铁站点客流量,从而及时采取相应措施,避免某地铁站点突发性事件对地铁公共交通的影响。但目前,大多研究都是针对某一个站点或者某几个热点站点作为研究对象,以全网地铁站点的研究角度去预测客流量的变化相对较少。针对以上问题,本文开展了地铁全网客流量预测研究。主要内容如下:首先,针对城市全网各地铁站点客流量的随机性、趋势性、不均衡性、规律性等特点,分别从全网客流量时间角度、全网客流量空间角度、全网地铁站点分布角度等出发,深入挖掘出影响全网地铁站点客流量变化的规律性特征,构建了全网地铁站点进站和出站客流预测特征体系。挖掘出影响市民出行规律的气候数据,并将气候数据进行量化特征处理,并将气候特征加入特征体系中。其次,针对某些地铁站点客流量中存在大量的干扰噪音数据,本文构建卡尔曼滤波-平滑降噪算法对客流量进行一定的平滑处理,然后将卡尔曼滤波-平滑降噪算法与客流预测模型相结合,能够提高客流预测准确率,同时也能增强混合模型的抗干扰性、稳定性和鲁棒性。最后,提出一种基于混合模型的全网地铁客流预测模型。结合不同模型的优缺点,使用不同的训练数据和验证数据、不同的模型验证方式、不同的输入特征、不同的模型超参数,将Kalman-XGBoost模型、Light GBM模型、Kalman-Light GBM模型、Cat Boost模型、Kalman-Smooth-Light GBM模型进行有效的融合,构建混合客流预测模型。运用随机梯度下降算法求解每个单一模型的最优权重,将混合客流预测模型的预测结果,与其他客流预测模型的预测结果进行对比和验证分析,实验对比结果表明,混合客流预测模型具有最好的客流预测性能。