地铁短时客流预测是轨道交通运营管理工作的重要组成部分,对优化调度方案、制定运营计划以及编制列车运行图等具有重要作用。精确、及时的地铁短时客流预测结果,能够方便地铁运营公司主动规划并采取合适的客流控制、疏导等措施,从而缓解车站客流压力、实现地铁网络的安全运营。在地铁自动售检票系统（AFC）普遍应用的背景下,能够获取大量的进站和出站客流数据,为地铁短时客流预测提供了基础。研究表明,与传统预测方法相比,深度学习方法与大数据的结合在短时客流预测上具有更优异的表现。因此,通过结合地铁AFC数据,利用深度学习方法对地铁短时客流预测具有重要的现实意义。本文以地铁车站的短时进站客流为主要研究对象,采用K-means聚类算法以及相关性分析对客流数据进行处理,研究了不同超参数对BP神经网络、卷积神经网络（CNN）、长短期记忆网络（LSTM）模型的影响。并结合变分模态分解（VMD）、回声状态网络（ESN）以及长短期记忆网络,建立了VMD-LSTM-ESN组合预测模型。在相同的客流序列数据的前提下,比较了不同模型的预测性能,验证了组合预测模型的有效性。文章的主要研究内容与成果如下:（1）在杭州市AFC数据的基础上,对原始刷卡数据进行预处理,并以15分钟为粒度进一步提取出杭州市各个地铁站点的进站客流数据,为短时客流预测模型提供良好数据集。分别建立BP神经网络预测模型、CNN预测模型以及LSTM预测模型并优化网络参数。为了比较这三种模型的性能,让其在时间粒度为15分钟的钱江路进站客流序列分别训练并预测。结果表明,与BP神经网络模型、CNN网络模型相比,LSTM网络模型的预测精度高。（2）结合变分模态分解、长短期记忆网络以及回声状态网络,建立了VMDLSTM-ESN组合预测模型。采用VMD方法对客流序列进行分解,并经过样本熵计算重组得到新的子序列。将各个子序列分别送入不同的LSTM预测器进行训练并反馈训练误差,再利用训练误差作为二次训练数据送入ESN误差预测器,得到训练完毕的组合预测模型。最后,在相同的数据集下,采用自回归移动平均模型（ARIMA）、支持向量回归模型（SVR）、LSTM模型以及VMD-LSTM组合预测模型进行对比。结果证明,VMD-LSTM-ESN组合预测模型在高峰、平峰和全日阶段都具有良好的预测性能,验证了模型的有效性和鲁棒性。