城市轨道交通普遍采用AFC(Automatic Fare Collection, AFC)系统记录乘客出行数据，但AFC无法记录乘客的出行路径，随着城市轨道交通进入网络化运营阶段，轨道线网的路径匹配及断面客流量计算变成了一个难题。准确预测未来的站间断面短时客流量，掌握未来城市轨道交通网络中的短时客流量分布情况，对于城市轨道交通网络规划、管理、运营及提升乘客的出行体验有重要意义。
　　首先研究了乘客旅行时间构成，根据密度峰值聚类结果对站点间有效路径数进行分析，并通过K均值聚类算法对多路径站点间乘客旅行时间划分时间集，并匹配各时间集的出行路径。其次，结合城市轨道列车运行时刻表，提出无换乘和含换乘路径的乘客乘坐车次匹配方法，计算得到对应站点间各车次的乘客数量，从而统计站间断面短时客流量。再次，提出了基于LSTM(LongShortTermMemory,长短记忆神经网络)的城市轨道交通站间断面短时客流量的预测模型，通过堆叠LSTM神经网络及历史站间断面短时客流量预测未来的站间断面短时客流量。最后，以W市轨道交通AFC刷卡数据作为案例，利用编程实现了对乘客AFC刷卡数据的数据清洗，及其内在信息的挖掘，从站点间旅行时间类簇分布方式、路径匹配、站间断面客流量计算及短时站间断面客流量预测四个方面对模型有效性及预测精度进行验证。