随着新线的不断接入,城市轨道交通网络不断扩大,如何建立起更精确的路径选择模型,并快速地预测路网中客流的动态变化与拥堵状况成为一个亟需解决的问题。本文利用机器学习手段,研究基于数据驱动的路径选择与客流拥堵动态估计方法与模型,在客流分布动态推演工具的支持下,形成路网客流分布的动态变化,并对不同情况下的路网客流拥堵状态进行快速预测。主要研究内容包括:(1)对乘客路径选择及路网客流动态的一般建模方法进行了分析,提出了利用乘客路径选择结果数据和客流分布推演仿真数据进行机器学习,构建基于数据驱动的路径选择模型与客流拥堵动态估计模型的思路与研究框架。(2)利用路径选择数据对不同类OD间路径选择规律的差别进行了分析,提出了考虑OD间客流构成异质性的路径选择集成学习框架,给出了基于站点模糊聚类的路径选择集成学习方法与步骤。使用FCM聚类算法对地铁站点进行聚类,得到不同客流构成下的OD类别及其类别隶属度,为路径选择子学习器的训练与结合提供了依据。(3)构建了基于SVR的路径选择子学习器,利用乘客路径选择数据进行了模型训练。进一步,运用集成学习方法,结合站点模糊聚类结果对路径选择子学习器进行了组合,形成了准确性更高的路径选择决策模型,并对集成学习前后的预测数据进行了对比和验证。(4)利用城市轨道交通路网客流动态分布推演仿真系统作为客流推演的工具,提出了利用不同场景下的仿真结果数据进行机器学习,快速估计客流拥堵状态的方法。构建了基于LSTM的路网客流拥堵动态估计模型,利用仿真数据进行了模型训练。(5)以新线开通后的北京市轨道交通为背景进行了案例分析,对本文的研究方法进行了验证。