随着经济的发展,我国的汽车保有量越来越多,导致城市的交通拥堵问题越来越严重。公共交通可以有效缓解交通拥堵问题,而作为现代化城市交通系统重要组成部分的轨道交通更是发挥着不可替代的作用。因此,对城市轨道交通的短时客流量预测的研究有助于保障居民高效安全出行。本文首先对数据集进行筛选和整理,再对客流量数据进行相关性分析,删除与整体相关系数低的数据以提升数据样本质量。由于城市轨道交通短时客流量具有非平稳性、非线性等特点,本文提出运用神经网络模型,结合历史数据对短时客流量进行预测。考虑到反向传播（Back Propagation,BP）神经网络的不足,本文进一步提出两种改进BP神经网络模型预测精度的方法:一种是从神经网络的结构参数角度出发,使用遗传算法（Genetic Algorithm,GA）优化神经网络的阈值和权值组合;另一种是从数据角度出发,采用一种改进的集合经验模态分解（Modified Ensemble Empirical Model Decomposition,MEEMD）算法对时间序列数据进行分解、重组的优化操作。两种方法分别与BP神经网络相结合,构建了两种组合预测模型,即GA-BP模型和MEEMD-BP模型。MEEMD算法对数据的分解得到与原数据相关系数不同的分量,又根据这些分量不同的重组方式将MEEMD-BP模型确定为MEEMD-BP1、MEEMD-BP2和MEEMD-BP3三个组合模型。本文采用三个评价指标,即均方根误差（Root Mean Square Error,RMSE）、平均绝对误差（Mean Absolute Error,MAE）和拟合优度R~2对BP神经网络模型和2类组合模型的预测结果进行了对比分析。实验结果表明,上述所有组合预测模型的预测精度相比于单一的BP神经网络模型的预测精度都有很大提升。GA-BP模型相比BP神经网络模型预测结果的RMSE降低了18.76%,MAE降低了19.51%,R~2提高了12.22%。3个MEEMD-BP模型中的MEEMD-BP2模型预测结果最好,比单一BP神经网络模型的RMSE降低了34.86%,MAE降低了32.60%,拟合优度R~2提高了20.15%。结果表明,组合预测模型在提升短时客流量预测的准确性上都有较好的效果,但使用MEEMD算法改进数据质量的MEEMD-BP组合模型对BP神经网络模型的预测精度提升更大。