随着城市化进程的不断推进,城市的常住人口和社会机动车的数量都变得越来越多,使得城市交通变得越来越拥堵。地铁作为一种稳定高效、安全环保的公共交通工具,逐渐成为了居民公交出行的首选。乘客量的快速上升对地铁的运营服务质量造成了较大的压力。因此,如何准确的预测未来某一时刻站点的客流量,让地铁运营部门根据预测的客流量提前制定相对应的运营计划,对提高地铁运营服务质量有十分重要的意义。在这样的大背景下,通过阅读大量国内外学者发表的学术文献,并对文献中使用的方法进行分类和总结,发现深度神经网络模型在地铁短时客流预测效果上优于统计学模型和传统机器学习模型。因此,本文提出了GRU模型和CNN-GRU组合模型来对地铁短时客流进行预测。本文的主要研究内容如下:（1）数据预处理和对客流分布特征进行分析。本文使用的数据为2019年1月的杭州地铁刷卡数据,首先对刷卡数据进行数据预处理,接着将数据以10分钟为时间粒度进行统计,然后分别从时间和空间的角度对地铁客流分布特征进行分析。通过分析发现,工作日和休息日的客流分布存在较大差异,不同用地性质的站点有不同的客流分布特征。（2）搭建基于GRU的地铁短时客流预测模型。首先将预处理后的地铁客流数据构建成时间序列数据,然后搭建GRU网络模型,对模型参数进行配置,接着通过网格搜索法寻找其最优的超参数组合,最后使用GRU网络模型分别预测工作日期间和休息日期间的地铁客流量,并对结果进行分析。（3）搭建基于CNN-GRU的地铁短时客流预测模型。GRU网络模型仅考虑了影响地铁客流分布特征的时间因素,没有考虑到站点之间客流的空间分布特征,因此本文提出了CNN-GRU的组合模型。首先将客流数据构建成二维时空矩阵,然后对模型参数进行配置,用网格搜索法寻找模型的最优超参数组合。先通过CNN提取站点之间的空间分布特征,再利用GRU网络层提取客流的时间分布特征,最后用CNN-GRU预测模型分别预测工作日期间和休息日期间的地铁客流量,并对结果进行分析。（4）通过与基线模型的对比,验证CNN-GRU模型预测的准确性。本文选择了ARIMA、SVR和LSTM三种常用的短时客流预测模型与本文搭建的GRU模型和CNN-GRU组合模型进行对比。通过实验结果发现,CNN-GRU模型的平均绝对误差和均方根误差均为最低,验证了CNN-GRU模型能有效的提取客流数据的时空分布特征,预测效果好,准确性高,可以用来预测地铁的短时客流。