近年来,随着我国社会的不断发展,城市化的速度日益提高,同时城市人口规模也在日渐增大,使得城市交通的压力日益增加。城市轨道交通作为城市交通的关键组成部分,也在随之快速发展,其线网的建设规模在不断增大,但客流量的增加速度更为迅猛,现有的设施难以满足不断增长的客流出行需求,导致在高峰期时部分站点出现了严重的拥堵现象,降低了运营效率同时也带来了安全隐患,为了更好的解决这些问题,可以通过短时客流预测的方法对未来客流展开预测,以便能够使人们提前做好出行计划避免拥堵,也可以让管理部门提前做好预警部署,并为行车组织计划和车站运营管理提供可靠依据。各线路和站点的客流呈现出不同的客流变化分布特征,可以分别展开分析,并在此基础上对站点进行分类,以便更加科学合理地对站点客流预测进行验证。并且,城市轨道交通在运营过程中会产生大量的历史客流数据,可以通过这些历史数据分析站点的客流特征,并利用预测模型对未来的短时客流进行较为准确的预测。一般情况下,不同类型的站点具有不同的客流特征,可根据客流特征先对站点类型加以划分,再对不同类型站点利用预测模型展开客流预测,这样可以更为有力地验证预测模型的有效性和准确性,更好的为突发客流组织、车站运营管理、行车组织计划等提供可靠的依据。按照以上思想,本文基于前人的相关研究成果,对城市轨道交通短时客流预测问题开展进一步的研究,首先对西安市城市轨道交通在时间和空间层面的客流分布特征进行了系统分析,然后通过影响聚类的特征变量对西安市所有城市轨道交通站点进行聚类,接着使用LSTM预测模型和LightGBM预测模型对各类型站点客流分别展开预测并发现单模型均存在局限性,最后提出了组合预测模型并对各类型站点验证了预测效果。其核心任务及主要研究成果如下:（1）选取了全天分时客流和客流特征属性作为影响站点聚类的特征变量,并通过标准化和主成分分析对多维特征变量加以处理。使用K-means算法对西安市城市轨道交通站点进行了聚类,并通过肘部法则确定了最优K值。在得到站点聚类结果后,通过构建POI特征值（CR）作为校核指标对所得聚类结果进行校核,并使用Arc GIS获取校核指标数据,验证聚类结果的准确性。（2）根据站点的聚类结果,以西安市历史客流数据以及天气数据为基础,分别利用LSTM模型和LightGBM模型来预测各类型站点的进出站客流量,并以平均绝对误差MAPE为评估指标,然后对预测结果进行比较分析,结果表明单模型并不能对所有类型站点都达到较好的预测效果,这是由于模型本身特性决定的。为了克服单模型的缺陷和局限性,结合单模型的优势,进而考虑构建组合模型。（3）选择线性加权法作为模型的组合策略,将LSTM模型和LightGBM模型进行了组合,并通过遗传算法得到最优加权系数,建立了LightGBM-LSTM组合模型,然后再使用ARIMA模型、SVR模型、LSTM模型、LightGBM模型以及LightGBM-LSTM组合模型分别对各类型站点的进出站客流进行了预测,经仿真试验结果显示,LightGBM-LSTM组合模型的预测精度在不同类型车站中均优于单模型和采用的其他对比模型,表明LightGBM-LSTM组合模型可以有效克服单模型的弊端和局限性并将单模型的优势结合,既保持了对时序数据的整体感知能力又能兼顾非连续特征的有效信息。因而该组合模型能够更加准确地预测进出站客流量,为城市轨道交通的运营管理和行车组织计划等提供帮助。