随着中国经济的迅速增长和城镇化进程的不断加快,各城市为了缓解公共交通拥堵问题而大力投入并建设城市轨道交通网络。地铁由于具备运量大、速度快等明显优势,已成为现代城市居民出行的首选方式之一,与此同时也增加了地铁系统高峰期的客流压力并对运营管理提出了新的挑战。地铁短时客流的准确预测,不仅有助于为运营管理者提供实时准确的客流变化信息,快速实施交通控制、调整列车运行计划并优化行车间隔;也可以在举办大型活动或发生突发事件情况下对客流进行及时疏散和引导,对城市轨道交通网络实现智慧运营并进一步提升运载能力和服务水平具有重要意义。本文主要工作归纳为以下三点:（1）针对新一线城市杭州的地铁售检票系统数据,提取六个处于不同地理位置的站点客流量,从不同时间维度和地铁站周围环境分析各自的客流波动特征,发现各站点的短时客流除了具有明显的周期性变化外,每周工作日与非工作日的客流变化有着明显差异,而且每天的客流高峰值及高峰集中时段会由于其他不确定因素的影响而产生较大的随机波动导致客流变化的非平稳性。（2）由于地铁短期客流变化具有周期性、随机性及动态性特点,本文考虑利用基于局部多项式拟合回归的季节性趋势分解（STL）算法对客流时间序列数据进行分解来突出其波动规律。通过序列分解得到的趋势分量、周期分量及剩余分量不仅能够代表客流变化过程中的基本趋势及周期性规律,同时能够突出受到其他不确定因素影响而形成的随机性变化,说明该分解方法对非平稳的序列波动具有较强的解释性。（3）基于时序卷积网络（TCN）在序列预测问题上具有强化短期信息、记忆长期信息和灵活设置感受野的优势,本文通过构建时序卷积网络并调整网络中膨胀因子等关键性超参数来提高预测精度。同时将STL分解得到的分量和强相关时间节点的客流量作为输入特征矩阵,构建基于STL-TCN的多特征短时客流预测模型。对六个不同地铁站工作日和非工作日的进站客流量进行预测,将本文所构建模型的预测误差与其他预测模型及现有文献中的客流预测模型进行横向对比,结果表明时序卷积网络与STL-TCN预测模型对地铁短时客流数据具有更好的预测性能。