随着我国城镇化速度的进一步加快和经济的持续发展,交通拥堵现象也日益严重。而城市轨道交通作为节约环保、安全高效的公共交通模式,被越来越多的市民作为首选交通方式。由于城市轨道交通客流量较大且具有周期性的特点,如何及时准确预测站点进出站客流,从而为其制定更加合理的运营方案,提高城市轨道交通服务质量具有十分重要的现实意义。本文从近年来研究城市轨道交通短时客流量的方法出发,回顾和整理了国内外关于短时预测的相关文献,归纳了相关的研究方法,发现目前的研究方法虽然各有所长,但大部分都忽略了天气,日期和站点的影响,也没有将进站人数和出站人数分开预测,虽然预测方法取得了不错的效果,但是还存在一些不足,在此基础上,本文提出了更为精确的基于深度学习的城市轨道交通交通短时客流量预测方法。主要研究内容如下:(1)多源数据采集与处理本文收集了杭州城市轨道交通各个站点AFC数据、天气数据等。首先运用Python语言对数据集进行预处理,将原始AFC数据以每10分钟为统计间隔整理出杭州城市轨道交通各个站点进出站的客流量数据。进而对客流量数据和天气数据按照时间进行数据集成,为后续客流时空特征分析提供了数据支撑。(2)城市轨道交通进出站客流时空特征分析基于客流量数据,首先从时间维度上统计不同站点的进出站客流量,分析在工作日与非工作日时,客流量的分布差异和周期性变化规律;之后从空间维度分析客流量数据,研究了不同站点的客流量空间分布差异。通过分析时空特性对站点短时客流预测的影响,为后续模型的预测打下了基础。(3)建立组合深度学习短时客流预测模型通过对国内外现有的短时客流预测方法进行总结归纳,探讨了不同预测方法的优缺点,以此将深度学习算法引入短时客流预测领域,阐明该方法在短时客流预测领域存在的优势。通过采用卷积神经网络CNN与长短期记忆神经网络LSTM相结合的方式,建立基于组合深度学习的城市轨道交通站点短时客流量预测,并采用网格搜索法寻找模型的最优参数。(4)短时客流量预测模型实例对比分析以杭州城市轨道交通一、二、四号线为实验对象,分为工作日和非工作日,对站点每10分钟进出站客流量分别进行预测。通过建立模型预测结果的评价指标体系,以传统LSTM与XGBoost为对比模型,验证本文所建立组合深度学习模型的有效性、适用性和准确性。