随着我国城镇化进程的不断加快,城市人口持续增长。根据北京市统计局数据显示,2019年末北京市常住人口达到2153.6万人,常住人口城镇化率达到86.6%,人口的高密度集聚不可避免地产生大量人员密集场所,而具有多种复合功能的重点街区便是其中重要的一类。并且伴随着旅游业的蓬勃发展,重点街区往往会出现人流量短时间激增的现象。这种人群聚集的现象往往会引发重大安全事故。由于重点街区往往常住人口多,人口构成复杂,人群变化具有明显的时空特征。因此如何对重点街区人群进行行为模式的分析以及进行街区人群流量精准预测、减小由于人群大量聚集产生的安全风险对重点街区安全事故的防范具有重要意义,并成为当下亟需解决的问题。重点街区实时人流量具有人员构成复杂以及非线性随机变化等特点,影响因素较多。而神经网络模型具有传统时间序列数据预测模型所不具备的强非线性拟合能力,它为人员密集区域人群流量预测提供了一个高效且准确的方法。为了实现人员密集街区的人群流量精确预测与实时预警,本文构建了基于手机信令数据的人群移动行为模式分类模型,通过对人群移动行为模式进行辨识,采用了基于多源输入以及注意力机制的循环神经网络人群预测方法,将该方法用于重点街区的人群模式识别与流量预测,解决了小范围内人群行为模式分类的问题,提高了人群流量预测的精确度。并以南锣鼓巷街区为例进行不同类型人群移动行为模式的分类与人群流量预测,最后通过对比实验验证了其在人流量预测方面的有效性。主要研究内容如下:（1）手机信令数据预处理算法设计。根据手机信令数据获取人群移动特征与时空变化规律,对手机信令数据进行数据格式的转换与信息质量增强等预处理,得到质量较高的手机信令数据,以便进行移动手机用户的人群移动行为模式判别与流量统计。（2）构建人群移动行为模式判别与分类模型。根据用户的行为轨迹以及驻留时间特征构建基于手机信令数据的人群移动行为模式识别模型,通过对手机信令大数据的处理算法研究,提出了基于K-Means与最短公共子序列算法结合的聚类算法,将其用于不同移动行为模式的人群流量计算,提高了应用手机信令数据统计不同类型人群的效率与准确率。（3）提出基于人群行为模型识别的街区人群流量预测模型。利用人群移动特征分类的结果生成多源时间序列数据,作为人群流量预测模型的训练输入数据。利用注意力机制以及长短期记忆神经网络模型,设计了街区人群流量预测算法并进行了模型优化。