地铁客流预测作为轨道交通预测的一个分支具有很高的研究价值和实际意义。随着我国轨道交通建设的加速,地铁的建设也在如火如荼的展开。作为具有低碳环保、准时高效等优势的地铁,在高速发展的同时也面临着客流量逐年增大所带来的一系列问题。因此,如何能够准确地提取地铁客流规律,对地铁客流进行准确预测,成为当下热门的研究课题。然而作为特殊的交通工具,地铁历史客流数据作为非开源数据,获取难度较高,且受制于储存技术的限制,其原始数据多发生缺失或异常等问题。因此,如何推出一种既能降低对原始数据依赖,又能具有较高预测精度的预测模型,对地铁日常运营及地铁空调系统参数设置有着重要的参考价值。本文基于北京地铁16号线农大南路站的自动售检票系统（Automatic Fare Collect--ion,AFC）数据,对地铁站客流特征进行分析,其中包括其周期性、趋势性、工作日与休息日的日客流特征以及客流数据分布特征。接着基于Finkelstein-Schafer（FS）统计法的预测模型,对地铁客流进行短跨度短时预测,验证了FS统计法预测模型的准确性和适用性。为了判断该地铁站客流预测的可行性以及更好的对预测模型进行选型和参数设置,首先基于地铁站客流历史数据对农大南路站的客流特征进行分析,接着结合客流量随时间变化曲线和数据分布,提取了该站台的客流曲线以及客流变化规律,并阐释该客流变化规律产生的原因,论述了该车站进行客流预测的可行性。本文基于原始客流数据提出基于FS统计法的客流预测模型,并对逐时权值参数进行优化计算,其中优化算法分别选择了粒子群优化算法、遗传算法、PSO-GA结合算法,并依照优化结果对三种算法进行结果比对,综合选取结果表现较好的算法进行参数优化过程,最终得到基于最优算法的模型参数。为了对基于FS统计法模型的预测结果进行评价,本文同时构建了ARIMA时间序列模型、指数平滑模型以及BP神经网络模型,并对这三种模型参数进行选择,为了直观的判断基于FS统计法预测模型的预测效果,引入MAE、RMSE、MAPE三种误差分析指标对各模型预测结果进行比对,结果表明本文提出的模型,能够在减少对原始数据依赖的情况下,达到相对精确的预测结果,该模型的逐时权值参数可以广泛应用于混合类具有―双峰型‖客流趋势地铁站台的客流预测,能够明显减少预测过程的复杂程度,并能够对地铁日常运营以及地铁空调系统参数设置提供数据参考。