随着城市交通的大力发展,乘客数量急剧增加。乘客出行信息中蕴含着巨大的价值,如何有效地分析客流便尤为关键。在此背景下,本课题利用时间序列模型和时空相关的客流模型对多站点的短期客流进行分析和预测。客流随时间动态变化并且具有一定的周期性规律,客流与时间之间有密切的关系。本文使用时间序列ARIMA模型拟合并预测多个站点的客流序列。然而ARIMA模型的阶数会对模型的预测能力有较大的影响,因此本文综合了多种统计学方法对模型的阶数进行合理估计和检验。最后将预测结果与SVR模型对比,并通过实验证明该方法能够得到更好的客流预测模型。ARIMA模型的缺点之一,是需要通过复杂的实验流程才能得到较好的模型,因此预测多站点客流时,实验过程需要耗费大量的人力。本文为了解决这个问题,提出了时空相关的客流预测模型。该模型能够有效的利用客流中蕴含的时空属性,只训练少量模型就能对未来客流做出预测。首先本文详细分析客流中存在的时间属性,提出了基于时间因子的客流聚类算法,从客流趋势和数值等角度对客流序列进行聚类。实验证明该方法能有效提高模型的多站点客流预测能力。其次本文详细分析客流中存在的空间属性,提出了在时间因子聚类结果的基础上,基于空间因子的客流聚类算法,从客流往返等角度对已有的类簇进行二次聚类。实验证明该方法能够进一步提高模型的多站点客流预测能力。最后本文基于并行计算框架实现了这两种聚类算法,有效提升模型的计算效率,使模型能更快速地拟合多站点客流。第一、二章重点阐述了本课题的工作背景与研究意义。第三章重点阐述了课题使用的数据的特点,以及时间序列和时空相关的客流预测模型的关键技术,并结合第四、五章阐述两种模型的建模流程。第六章重点阐述时空相关的客流预测模型的实现,并从预测准确率,计算效率等方面对该模型进行测试和分析。