近年来,急剧增长的地铁客流给地铁系统的运营和管理带来了巨大的挑战,对地铁客流进行稳定高效管理的基础是对地铁乘客出行行为的深入理解。伴随着智慧城市的理念发展和建设推进,电子支付、GPS定位等应用越来越普及,交通领域的研究正在从群体粒度向个体粒度转变。从个体的角度研究交通问题,可以从更加微观的层面对乘客的出行特征进行分析。然而,个体的出行行为具有高度的复杂性,准确把握个体的出行规律、对个体出行本质进行深层次挖掘以及实现个体出行更长视野的预测是当前富有挑战的工作。本研究基于地铁自动售检票系统（Automatic Fare Collection System,AFC）数据提取的个体历史出行记录,对地铁个体出行规律分析、地铁个体活动特征的深层次挖掘以及扩大个体出行预测视野进行研究,主要内容如下:（1）为了挖掘地铁出行的宏观规律,本研究首先对广州地铁AFC数据进行预处理,进而基于大数据统计方法对地铁出行规律进行分析。分析结果表明,地铁出行具有较强的规律性,在时间规律上,出行时间呈现出明显的峰谷特性,出行时长多分布在30分钟以内;在出行链特征上,多数个体的出行链长度为2,且周末出行链长度略高于工作日;在空间一致性上,工作日的出行较周末更具规律性,出行起点较终点更具规律性。（2）个体的日常活动是个体出行的本质。为了进一步挖掘出行背后的本质特征,本研究从活动的角度出发,搭建了输入输出隐马尔可夫模型（Input Output Hidden Markov Model,IOHMM）框架,通过对三种概率分布的建模与更新,进行地铁活动类型的计算与推断,进而基于易于采集的大规模个体出行数据,实现对个体活动和出行之间的相关性研究以及个体出行深层规律的挖掘。实验表明,从相关关系来看,个体出行和活动的相关性不强;从活动类型分布来看,有三种活动类型的人数最多,且主活动占比远高于其他类型活动,具有较强的集聚性;从活动转移规律来看,个体活动的转移主要集中于该个体的主活动,主活动在活动转移的过程中发挥着“根节点”的作用,且主活动与次主活动之间的活动转移构成了个体的主要日常活动循环。（3）为了弥补当前的个体出行预测研究难以为交通的中长期规划提供更长视野决策依据的缺陷,本研究基于带注意力机制的深度学习模型框架实现个体出行的多步预测。首先通过嵌入层完成个体出行数据的向量转化和特征提取,然后使用基于GRU的Seq2Seq模型实现个体出行预测任务,同时结合注意力机制提高模型的特征提取能力和预测准确率,进而提出三种地铁系统个体出行多步预测策略,最后以广州地铁AFC数据为基础进行实验。实验结果表明,在基于地铁AFC数据进行地铁系统个体出行多步预测时,相比于传统统计模型,深度学习模型能显著提高预测准确率并具有较强鲁棒性,且注意力机制的引入可有效提高模型的特征提取能力。