随着城市轨道交通网络规模及客流的增长,运营方案与客流时变的适应性明显不足,运输能力与客流需求的耦合适应控制亟待加强。因此必须提高基于信息数据挖掘的动态化、智能化运营管理水平,其关键基础是掌握乘客出行规律,客流需求演变以及实时OD客流需求。为此,本文以AFC数据和POI数据为基础,结合统计分析、数据挖掘、机器学习等多种方法,围绕乘客出行模式与动态OD估计展开研究,主要内容包括:（1）基于城市轨道交通AFC数据和车站周围半径800m的POI数据,分析乘客出行模式及其与土地利用类型的关系。筛选轨道交通出行强度较大的乘客,基于此,构建个体乘客出行模式数据库;对乘客出行模式进行统计分析和数据挖掘,创新性地提出用OD出行比和OD出行强度描述乘客空间出行模式,运用两步聚类算法对多次出行和单次出行乘客的出行模式进行挖掘,最终得到包含两类通勤乘客（单次通勤乘客和多次通勤乘客）的5类乘客,并分析不同类型乘客的每日出行时间特征;分析通勤乘客的出行空间特征,并基于通勤乘客的空间出行模式,提出通勤乘客的职住地识别方法,利用职住比分析土地利用类型与出行模式的关系。（2）分析客流OD相关特性,为动态OD估计提供支持。基于通勤乘客出行模式,构建固定乘客识别规则,经验证表明其识别准确度达到97%以上;运用相关系数分析不同运营日OD客流的相关性,量化OD客流周期规律,确定可进行动态OD估计的运营时间为6:00～23:00,最小估计时段长度为15min;构建进出站客流和OD客流的关系式,利用行程时间标准差与平均值的比值描述OD对行程时间的稳定性,并提出利用历史行程时间分布计算客流到达率的方法。（3）针对动态化运营管理的要求,构建动态OD估计模型。提出门控循环单元神经网络（GRU）结合粒子滤波算法（PF）的动态OD估计方法,将基于GRU神经网络的动态OD预测模型作为PF滤波状态空间模型的状态转移方程,构建GRU-PF动态OD估计模型,该模型计算结果叠加基于实时AFC数据识别的固定乘客OD,即得到动态OD估计结果。（4）以北京地铁为例进行动态OD估计,验证了动态OD估计方法的可靠性和适用性。分析表明,考虑固定乘客出行模式可以减小动态OD估计误差。在此基础上,提出了高时效和高精度的动态OD估计方案。