随着经济持续发展和城镇化进程的推进,城市人口规模不断扩大,居民出行量随之增加,城市轨道交通以其突出的优势成为居民出行的重要选择。近几年,城市轨道交通网络日益完善,线网换乘站点数逐年增加,站内换乘路径中客流大且换乘路径复杂。如何利用行人检测实现车站内换乘路径客流实时统计,把握换乘路径客流特点并进行短时预测,根据路径客流预测数据为客流控制提供依据,这三个方面对城市轨道交通换乘车站运营管理具有重要意义。首先本文通过分析换乘方式和换乘路径中客流的组成,确定了本文的研究场景;重点讨论了选取何种特征提取算法,并依据城市轨道交通车站换乘客流特点及国内外的行人检测研究成果,利用梯度方向直方图(HOG)和支持向量机(SVM)构建行人检测模型,并结合连续自适应均值移动算法(Cam Shift)设计并实现了换乘路径客流统计。接着根据统计得到的客流时序数据,引入小波分析手段,对客流时序数据进行多尺度分析,发现研究场景中换乘路径客流时间序列在不同频域中表现不同特性,为了预测的精度,比较并选取集成经验模态分解(EEMD)将时序数据分解为不同频域的成分,分别利用分量重要度和排列熵分别确定预测的时间粒度、重组分量。然后利用最大Lyapunov指数证明各分量具有混沌性,并依据延迟时间和嵌入维度重构各个分量,以此在更高维度挖掘时序数据的规律;比较循环神经网络(RNN)和长短时记忆(LSTM)两种常见的时间序列预测模型;考虑国内外短时预测的研究成果及数据的混沌性,本文构建基于相空间重构的长短时记忆预测模型,并给出数据集构建、LSTM网络构建和模型评估及调整的手段;最后利用预测数据,对换乘路径的客流建立以换乘候车时间最小为目标的优化模型。最后在实例中收集标记样本,计算HOG特征,训练SVM,利用Python-Opencv实现Cam Shift追踪,选取研究场景,进行客流统计,并获取时间粒度为1s的客流时序数据;对数据预处理并根据不同分量特点分析构建不同网络结构进行预测,并与多种预测模型对比,表明该模型具有较高的预测精度,模型结构复杂度较低,过拟合风险较小的优点;最后利用MATLAB对客流控制优化模型计算。