人机交互技术越来越成熟的今天,城市轨道交通乘客已经实现出行时使用手机扫码或刷卡即可进出站,部分地铁公司已经开始开发具有提醒乘客上下车功能的手机软件,不久的将来,城市轨道交通运营者可以获得更加完善的乘客出行数据。乘客出行路径选择行为反映了乘客在路网中的动态,掌握乘客的出行规律,对运营者来说,可以提升运营服务质量,也为客流预测提供了数据基础。本文为了减少对影响因素的假设和量化,分别利用RBM和LDA生成模型构建路径选择模型,计算OD对间乘客出行路径选择概率,基于生成模型的学习机理,利用DBN-DNN网络模型预测乘客的出行路径。具体内容如下:（1）首先以2019年北京地铁工作日早高峰客流量为基础,分析城市轨道交通路网的客流分布,然后以工作日单日早高峰时段北京地铁天通苑站至三元桥站的客流,分析乘客选择出行路径的时空分布特性,最后,从个体和路网两个层面分析乘客路径选择行为的影响因素,并阐述了乘客在城市轨道交通网络中出行时路径选择的行为过程。（2）基于RBM模型框架构建双向生成模型,利用变分贝叶斯推断优化目标函数,采用选择随机梯度下降法求解参数,然后利用参数对验证集进行路径选择概率计算。以北京地铁为例进行了案例分析,计算了双向生成模型的参数均值和方差,基于不同的隐层单元量得到的结果综合分析,选取隐层单元量为100的参数进行验证集的计算,对生成的路径概率与实际数据的路径概率进行Kruskal-Wallis检验,结果表明显著相关。（3）根据LDA模型的构建原理,将路径的基本属性作为词汇,乘客出行信息集作为文本,路径作为主题,构建了路径选择概率计算模型。将数据分为训练集和验证集,将训练集获得参数用于输入,计算验证集路径的概率。以北京地铁为例进行了案例分析,路径选择概率的计算精度稍差于双向生成模型。（4）利用DBN-DNN网络模型对乘客出行路径进行预测,通过训练历史乘客出行数据学习乘客出行规律特征,预测乘客出行路径。以北京地铁为例进行案例分析,先利用三层深度神经网络比较DBN和DBN-DNN的预测结果,分析参数调整的重要性;再根据不同深度的DBN-DNN模型预测乘客出行路径,并根据乘客特性分析预测结果。结果显示DBN-DNN模型计算精度较DBN模型高,参数调整可以提升模型精度;四层深度神经网络表现了更好的预测精度。