随着城市化和机动化进程的不断加快，机动车出行带来的交通拥堵、环境污染等问题日益严重。近年来，城市轨道交通建设实现跨越式发展，优先发展大容量、快速的公共交通成为缓减城市交通问题的有效途径。客流数据是城市轨道交通规划设计、建设和运营调度的必要基础资料。随着大数据技术的发展，海量、实时、连续的交通数据开始广泛应用于交通建模与分析。地铁IC卡数据作为其中一种典型数据，广泛应用于地铁客流特征分析、短期客流预测等领域。高效准确的客流短期预测是城市轨道交通客流组织、运力调度的基础，为轨道交通运营管理提供有力的数据决策支持。
　　论文以深圳地铁为例，首先对深圳地铁IC卡历史刷卡数据进行预处理，以提高数据分析精度。从出行量、高峰小时客流、换乘客流、关键OD对等层面对地铁客流特征进行系统分析，重点提取地铁客流时空分布特征以及用户出行特征。阐述了地铁短时客流具有时变性、不均衡性等特征。
　　针对轨道交通客流短时预测问题，本文构建了一种基于XGBoost的客流短时预测模型。以深圳地铁IC卡刷卡数据为基础，利用XGBoost算法对坪洲站工作日进站客流、双休日进站客流、工作日出站客流和双休日出站客流分别建立预测模型，采用标准评价方法对模型预测性能进行评价。对将客流特征作为模型输入特征的单变量模型和将客流特征和客流时间特征的组合特征作为模型输入特征的多变量模型预测精度进行对比。
　　为验证基于XGBoost的客流短时预测模型的有效性，本文综合评价了XGBoost模型与ARIMA、SVR、神经网络模型以及集成学习模型的预测性能，并进行了包括不同时间集计粒度、不同类型站点以及不同时段等客流情况下的预测精度对比分析。结果表明，XGBoost模型对不同情况下的各类客流的预测性能均优于其他模型。所以XGBoost模型对于轨道交通进出站客流短时预测是一种有潜力的模型。