随着我国高速铁路建设的蓬勃发展,旅客高铁出行需求不断增长,对高铁高质量高标准发展提出了更高要求。高铁车站作为高铁路网中的旅客集散枢纽,显著增大的客流需求对其造成了前所未有的压力。一方面,巨大客流聚集在车站内相对封闭区域,既是对车站运营管控能力的考验,也是对旅客出行安全的冲击;另一方面,车站作为交通商业综合体,客流量增大的同时旅客个性化服务需求也在逐步攀升,因此如何有效感知和预测站内客流分布状态,并根据客流态势优化站内设施布局,提升车站服务水平,保障车站运营安全,成了困扰车站运营管理人员的瓶颈问题。为有效解决高铁车站站内客流分布预测问题,本文对其进行了深入研究,具体内容如下:（1）站内客流分布数据统计与客流时空特性分析。对站内客流时空分布问题进行描述并确定研究思路,同时在现有车站基础设备设施条件有限的情况下,本文利用站内高度反映客流变化的监控视频数据进行不同区域客流数据统计,同时结合车站客运统计数据和客运作业数据对站内多源客流数据深入分析,从时间特性、空间特性和时空相关性不同角度提取客流分布特征。（2）构建基于随机游走的站内客流网络图结构嵌入模型。总结分析候车层布局、流线组成和客流网络特点。通过引入图结构数据将客流网络建模为拓扑型图结构,显式表示其空间结构,利用随机游走采样和Skip-Gram神经网络模型将图结构嵌入为节点向量,并以向量余弦距离为度量标准选取客流网络中的相似节点客流量作为预测模型的基础输入,有效提取并利用了客流网络的空间距离特征和时空逻辑特征。（3）构建基于特征嵌入LSTM的站内客流时空分布预测模型。全面考虑影响客流时空变化的影响因素,提出“功能吸引度”和“发车时刻临近度”分别分级量化不同功能区域和列车到发时刻对旅客在站分布的影响程度。对应不同影响因素设定不同的输入变量,对分类型变量采取one-hot编码,并运用嵌入机制进行低维稠密化向量表示,以LSTM神经网络为基础,构建基于特征嵌入的LSTM客流预测模型。（4）利用实际数据对预测模型进行验证。在保证客流规律基本一致前提下,利用天津西站视频统计数据作为客流预测模型的基本输入,确保数据的可预测性。通过多次实验优化设置图嵌入模型和预测模型参数,客流预测结果表明,本文构建的基于图嵌入LSTM客流预测模型相比传统ARIMA预测模型和基本LSTM模型的预测效果均有显著提升,其中MAE和RMSE降低了0.3～0.6、MAPE降低了3.6%左右,且能实现多区域客流同时预测,能够有效反映站内不同区域未来短期客流变化趋势。本文涉及图65幅,表22个,参考文献90篇。