目前我国正处于城市建设发展的高速期,越来越多的城市开始面临交通拥堵等一系列问题,因此大力建设轨道交通成为这些城市的主要任务。如北京、上海这些发展城市轨道交通较早的城市也面临着线路运营的复杂化、困难化。如何有效地为各条线路运营提供有效的数据分析、为出行的旅客提供安全优质的服务,便成为当前轨道交通领域一个重要的课题。而轨道交通进站客流作为整个运营系统中一种重要的可收集数据,对分析客流时空分布特征和变化规律有着重要的意义。论文首先介绍了在轨道交通运营过程中使用到的AFC系统,并分析了该系统在数据传输过程中的优势与缺陷,在此基础上提出识别数据异常值的检测方法,并根据大数据的特性对异常值数据进行校正。同时对轨道交通的典型站点进行时空特性分析,以此说明站点不同的周边环境以及时间情况下客流分布特征有着较大的不同。论文在第三章针对轨道交通进站客流数据有较强的非平稳性特性,利用STL时间序列分解对北京站与天安门西站的进站客流数据进行分解,并利用样本熵和白噪声检测等方法对分解所得到的三个分量进行分析。将包含有效信息的残差分量利用经验模态分解算法进行分解,从而得到规律性较强的IMF分量。论文在第四章首先介绍了长短时记忆神经网络在预测时间序列情况下的优势。对神经网络模型的激活函数、输入节点数等关键性参数调整,并通过粒子群算法对模型的三个超参数进行寻优,使得神经网络在预测数据时最大程度地提高其精度。将第三章经过分解得到的进站客流数据分量作为输入值代入模型预测,将误差和其它模型的误差进行横向比较,以此验证组合模型的有效性。通过比较,证明本文所提出的组合模型相较于其它模型在预测误差方面有着明显的降低。