近些年来,城市轨道交通由于其运量大、运行速度快、安全准点、环保舒适、有效改善城市地面的交通压力等独特优势,保持着高速发展的建设势头。城市轨道交通客流预测一直都是城市轨道建设和运营全生命周期的重点工作内容之一,预测结果对乘客出行、运营者决策及城市轨道交通安全运行都具有重要的意义。本文以构建高精度城市轨道交通短时客流预测模型为目的,首先,基于成都市轨道交通AFC数据,详细介绍了地铁客流数据集的预处理过程。然后,提出集成式轨道交通客流数据特性分析框架,主要由本质特征辨识及模式特征量化两部分组成,以探究城市轨道交通短时客流数据的平稳性/非平稳性,线性/非线性,复杂性,周期性、突变性及随机性。以成都市轨道交通天河路站、天府广场站及龙泉驿站进出站数据为例,结果表示城轨短时客流数据具有非平稳、非线性、高复杂性、周期性、突变性及随机性,通过对城市轨道交通短时客流数据特性的分析为客流预测模型的选择奠定基础。考虑到城市轨道交通短时客流数据的复杂特性,论文建立基于LSTM/GRU的城市轨道交通短时客流预测模型,使用贝叶斯优化进行超参数调节。以成都市轨道交通天河路站、天府广场站及龙泉驿站进出站客流数据为算例,结果表示论文提出的模型能较好的获取城市轨道交通短时客流数据的时序特性,模型预测结果能较好的拟合真实数据。最后,为验证论文提出模型的优越性,选择经典统计学模型ARIMA、机器学习模型SVR及传统RNN模型为基准模型,同样以成都市轨道交通数据为算例,结果表示LSTM/GRU的MAE及RMSE指标均小于上述基准模型。