近年来,为了缓解高强度交通需求,地铁成为大多数通勤者的首选出行方式,精准的客流预测可以帮助乘客提前选择合理的乘车方案。本文围绕郑州市一年内的客流数据进行深入分析,主要研究工作如下:（1）总结地铁客流的分布规律和时间,针对SVR（Support Vector Machine）模型参数难选取、特征选择不准确的困难,提出基于多目标优化算法（MOEA:Many-objective Optimization Genetic Algorithm）的预测模型MOEA-SVR。该方法将最小化特征维数和最小化预测误差作为两个目标引导种群进化,自动化地找到最优特征子集和SVR最优参数。（2）针对使用现有多目标优化算法进行客流预测时,产生的Pareto前沿不规则的问题,提出了一种改进的基于双档案的多目标优化算法TwoArchU。该算法在目标空间中初始化两个大小为N的种群CA（Convergence Archive）和DA（Diversity Archive）,分别采用不同的选择机制用于保持算法的收敛性和多样性。通过在多组测试问题上的实验分析,验证了TwoArchU具有优异的性能。（3）根据算法的需要,在TwoArchU的框架下提出了基于权重向量自适应的多目标优化算法TwoArchAW。该算法可以选择适当的时机和频率,根据DA中种群的分布特点,对当前参考向量进行灵活调整。在32组测试问题中,TwoArchAW均表现出优异的性能。（4）为验证所提出算法的有效性,将TwoArchU与TwoArchAW分别应用于地铁客流量预测问题。实验结果表明,以上两种算法均能同时选择出具有代表性的特征子集和最优参数,且预测准确率远高于单一的SVR模型。综上所述,本文构建了 MOEA-SVR模型用于预测地铁客流量。此外,为解决MOEA-SVR模型造成的Pareto 前沿不规则的问题,本文提出了两个算法TwoArchU和TwoArchAW。对比使用单一 SVR模型的预测结果,验证了 MOEA-SVR模型具有更好的性能,能够为日常运营中地铁的客流量预测提供一种有效的方法。