近年来,“智慧交通”的理念被不断提及,公共交通正不断向着便捷、高效、智能的方向发展。作为缓解城市交通拥堵头号功臣的地铁自然成为了智慧交通网中的重要一环,对其进行智能化建设的呼声也愈来愈高。虽然我国地下铁路网建设蓬勃发展,但在铁路线布局规划、站点设置、运营管控等方面仍有提升和优化的空间,需要向发达国家学习,而这一切的基石便是精准的客流预测能力。世界人口密度排名第二的新加坡交通问题本应尖锐,但该国居民出行满意度却常年稳居世界前列。本文利用新加坡2016年12月自动售检票系统采集到的全国居民地铁出行数据,在对整体客流特征统计学分析的基础上,提出了考虑异常值的进站客流预测时间序列模型和考虑空间特征的出站客流预测回归模型。在现有经典预测模型的基础上,创新模型降低了异常值对进站客流预测的影响,通过空间特征的加入提高了出站客流预测的准确性。主要工作如下:1.对新加坡2016年12月自动售检票系统采集到的进出站客流数据（AFC数据）作了可视化,抽象了新加坡居民地铁出行的大致规律,从时间、空间两个维度对地铁站进出客流进行了分析并总结了时空分布不均衡的具体体现;2.在进站客流预测问题的研究中注意到了脉冲式异常值对时间序列预测的影响。针对进站客流的双季节性,对已成熟应用的Holt-Winter模型进行改进,提出了一种可以有效降低异常值影响的进站客流时间序列预测方法;3.在对出站客流预测时考虑了进站与出站之间的强相关性,提出了一种“双Top K相关站点空间特征提取算法”,将所提取的空间特征用于出站客流预测,构建了考虑空间特征的出站客流回归预测模型;4.实证分析。将创新模型与经典模型在实际数据集上的预测表现进行比较,评价模型表现,验证了考虑异常值和空间特征对提升客流预测准确性的价值。