随着城市轨道交通基础设施的完善,越来越多的出行者选择城市轨道交通出行。准确地预测城市轨道交通进出站客流有利于运营部门制定更合理的运营计划,提高乘客的舒适度。而时间间隔越短,单位时间内的客流数据会表现出越强的随机性,不仅给客流短时预测带来了新的挑战,还加大了运营管理的难度。随着可获取的数据种类越来越多,体量越来越大,针对城市轨道交通客流短时预测的研究开始向组合预测和集成学习的方向发展,因此本文采用基于集成学习的预测框架,并提出模型融合和参数寻优的方法,达到更加精准预测城市轨道交通进出站客流的效果。首先,通过客流特征分析提炼出时间点、星期和上周同时段进出站客流等常规特征,针对已有研究采用的影响因素维度单一的问题,从外部补充天气、道路交通拥堵指数和空气质量这三类外部特征作为城市轨道交通进出站客流的影响因素。其次,通过数据收集和数据清洗完成客流数据的预处理,并通过相关性分析来筛选影响因素。为了提高模型的效率和精度,提出基于word2vec改进的车站编码方法,并采用Yeo-Johnson幂变换来完成客流数据的规范化处理。然后,构建基于Boosting的客流短时预测框架,引入XGBoost和Light GBM两种集成学习算法并提出模型融合方法。针对交叉验证网格搜索调参方法效率低的问题,提出基于时间序列的数据集分割方法,并结合贝叶斯优化算法确定模型最优参数组合。最后,对国内某市的城市轨道交通系统进行实例分析,通过多种模型间的对比证明了基于Boosting的客流短时预测模型的有效性。通过对外部特征和车站编码方法的敏感性分析证明了外部特征能让预测的平均绝对误差下降2.13%,而基于word2vec改进的车站编码方式能够在缩短模型耗时的同时进一步降低预测误差。此外,本文提出的基于贝叶斯优化的融合模型比单一模型的预测误差下降了8.03%,同时预测效率明显高于基于交叉验证网格搜索的融合模型。