城市轨道交通作为解决“大城市病”的措施之一，在公共交通系统中起着不可替代的作用。随着城市经济的繁荣和面积的扩张，我国的城市轨道交通建设也在不断加快，朝着类型多样化、运营网络化、技术优化的方向发展。城市轨道交通进站客流短时预测不仅可以为运营管理者提供客流的变化信息，方便对列车运行计划做出适当的调整，也可以为车站突发事件下的客流的疏散、引导等提供决策参考。因此，进站客流短时预测对城市轨道交通系统的运营管理具有重要的作用。
　　论文首先以六个不同类型站点的进站客流时间序列为例，对城市轨道交通客流时空分布进行了分析，并针对进站客流在时域上存在的多层次时间尺度结构，应用小波分析研究了进站客流量的变化规律。由于城市轨道交通短时进站客流具有非线性、非平稳性、随机性、动态性等特点，本文提出了自适应噪声的完全总体经验模态分解(CEEMDAN)和长短期记忆网络(LSTM)的进站客流短时预测组合模型，其中，自适应噪声的完全总体经验模态分解方法主要是对城市轨道交通短时进站客流序列进行分解，并利用样本熵和层次聚类分析方法将分解后的客流序列分量进行相应的合并重组，很大程度上减小了运算规模、缩短了运算时间。在此基础上，构建了对重组后的分量分别预测的长短期记忆网络，实现了对城市轨道交通短时进站客流量的较高精度预测。最后，论文基于北京西站地铁站进行了实例分析，研究结果表明，与经典的ARIMA、循环神经网络(RNN)和长短期记忆网络(LSTM)模型相比，本论文构建的CEEMDAN-LSTM模型的平均绝对百分误差(MAPE)、均方根误差(RMSE)、平均绝对误差(MAE)相对下降幅度均超过56％，可以满足城市轨道交通进站客流预测要求。