随着我国现代化交通系统的发展,城市轨道交通逐渐成为市民首选的交通方式。城市轨道交通由于其大运量、准时性和速达性为人们的出行带来了很大的方便,但随着出行人数的增长,城市轨道交通近几年来面临着较大的疏流压力。因此,提前预测城市轨道交通的客流量变化,对于轨道交通的运营和管理具有很强的实际意义。对轨道交通的客流量进行预测能够提前做出预案缓解轨道交通高强度的人流压力,同时也对市民选择更适当的出行方案具有较大的参考价值,对现代化交通管理有积极的作用。人工智能的发展使得越来越多的深度学习技术被应用到人脸识别、语音识别和股价预测等领域中。在城市轨道交通客流量预测方面,除了常用的基于数理统计的方法,研究者还常常使用神经网络如循环神经网络（Recurrent Neural Network,RNN）、长短期记忆网络（Long-Short Term Memory,LSTM）等擅长处理时间序列分析任务的模型,来进行轨道交通客流量的预测。然而,在时间序列分析任务中表现优异的时域卷积网络（Temporal Convolutional Network,TCN）,却很少被研究者用来进行城市轨道交通客流量的预测。本文使用改进的TCN混合模型对城市轨道交通客流量进行预测。本文的创新点主要有以下三个方面:（1）为了增强TCN模型的特征提取能力,对TCN做了改进,将不同大小膨胀因子的因果卷积层进行融合,本文提出了融合多因果扩张的时域卷积网络（Fused Multi Dilated Causal Time Convolution Network,FMDC-TCN）,与常用的轨道交通客流量预测模型进行比对验证,FMDC-TCN的预测准确性和稳定性都有一定的提升;（2）近年来,轨道交通客流量的预测常常使用混合模型来提升效果,本文为了进一步提升模型的预测能力,将FMDC-TCN与门控循环单元（Gate Recurrent Unit,GRU）进行混合,混合后的模型充分发挥了 FMDC-TCN的特征提取能力和GRU在时间序列分析中的优势,经实验验证,混合模型的预测能力更强;（3）本文考虑了天气和空气质量因素对轨道交通客流量变化的影响,并将天气数据和空气质量数据作为模型输入的一部分,以增强模型的学习能力。最终经实验验证,考虑天气和空气质量因素的模型拥有更好的稳定性和准确率,将影响轨道交通客流量变化的部分因素考虑到预测流量变化的模型中,能够显著提升模型的预测能力。