近年来,随着城市轨道交通的快速发展,城市轨道交通已逐渐步入网络化运营阶段,运营网络规模不断增大,客流量不断攀升,使轨道交通车站大客流现象已经逐渐成为常态。在早晚通勤高峰时段、突发性运营延误或其他紧急事件等情况下,局部车站更会面临远超日常客流量的常态或临时性超大客流的严峻挑战。客流的极度拥挤、人流行走的严重交叉干扰,不仅大大降低乘客出行效率和舒适性,而且极大增加了安全隐患和风险,极易诱发各种人身伤害及财产损失事故,对城市轨道交通车站大客流实时监测和预警提出了巨大的现实需求。基于国内外在轨道交通车站客流预警方面的总结与分析,本文引入WiFi探针作为客流数据采集手段,研究其数据清洗方法,并运用BP神经网络建立基于WiFi数据的车站客流估计模型,最终基于车站承载能力以客流拥挤度作为预警指标建立预警等级,具体研究如下:首先,本文总结和分析了现有的城市轨道交通车站客流采集技术,分别介绍了人工调查技术、AFC客流采集技术、利用传感器的客流采集系统和智能视频分析技术（图像处理技术）的优缺点,并在对比分析各种客流采集技术优缺点的基础上选取了WiFi探针采集技术作为本文的研究对象。其次,考虑WiFi探针的数据采集原理和特性,利用栅格法对地铁车站进行网格划分,根据划分结果确定WiFi探针布设方案。进一步,设计WiFi探针数据清洗算法对WiFi探针原始数据进行预处理。在此基础上,以清理筛选后的WiFi探针客流数据作为输入数据,调查得到的站内实际客流量作为模型输出,采用梯度下降的优化方法,通过样本数据训练获得输入变量与输出变量之间的映射关系,最终建立基于WiFi探针数据的站内客流量实时估计模型。然后,本文对车站承载能力进行了定义与计算,基于车站客流量实时估计数据与车站承载能力,选定车站客流拥挤度作为预警指标,定量划分预警等级,并提出相应的大客流应对措施。最后,本文以上海轨道交通九号线松江大学城地铁站为例,对前述所提的方法进行实例验证,结果表明基于WiFi探针的地铁站内拥挤度实时预警方法在一定程度上可以较好地辅助实现地铁站实时客流预警,有助于提高轨道交通车站的大客流应急处置能力和降低车站大客流运营安全风险。