随着社会的发展,智慧交通建设稳步增长,交通方式越来越多,其中地铁已经成为最有效的出行方式之一。地铁客流预测与路径推荐能够为工作人员和乘客提供决策的依据。近年来,同时考虑时间和空间结构的算法逐渐受到学者们重视。因此,基于时空结构的交通预测模型与路径推荐模型也应运而生,但这些算法仍然存在一定的局限性。例如,客流预测模型的复杂度高、参数多、准确性仍有限;路径推荐模型存在无效搜索、拥挤度计算参数多且没有将车厢内的情况视为标准。由此,如何解决以上不足值得深入研究。本文围绕基于时空结构的地铁客流模型与路径推荐模型的不足开展研究。在系统阐述两种模型的相关理论知识后,分析算法的缺陷,并根据缺陷做出相应的改进。本文的研究工作如下:针对地铁客流预测模型考虑的空间结构单一、使用参数多的问题,提出了一种基于聚类的时空双自适应网络。首先,利用时间聚类算法k-Shape对站点进行聚类,其中,将为每个簇学习一个共享的Embedding,供簇内成员使用,并利用Embedding间的内积挖掘城市功能区之间的流动模式。将此流动模式送入图神经网络（Graph neural network,GNN）中,从而为预测提供更准确的空间信息。其次,为了限制模型参数的数量,根据客流的特点,迁移了时间感知网络（Time-Aware Large Kernel Convolutions,Ta LK）来捕获每个站点自身的时间相关性。空间和时间上的自适应机制可以提高模型的拟合数据集的能力。最后,将空间组件与时间组件搭建,构造了一种时空模型。通过在杭州地铁数据集上与六种典型算法的比较,结果表明该方法是有效的,并且占用的参数最少。同时,实验也表明,该算法能够发现城市客流交互的主要功能区域。针对基于时空棱柱的路径推荐算法存在的无效搜索、拥挤度计算不够精确等问题,提出了一种改进的时空路径推荐算法。首先,记录城市中所有中转站各个方向后的数据,这些数据包括站点数与站点度数的总和。在路径集的搜索时,利用记录的数据比较判断可以有效的减少无效搜索。其次,调查城市的平均运输站数并根据站点的刷卡数据,设计了一种车内人数的计算方式,为拥挤度的计算打下良好的基础。最后,为了充分拟合乘客对路径的内心满意程度,引入史蒂文斯心里定律构造拥挤度计算函数。通过分析与算例表明,算法能够减少无效搜索且拥挤度计算是有效的。