随着经济的发展和我国城镇化速度的不断加快,涌入城镇的人口一直在不断增加,在为城市注入活力的同时,也给城市的交通治理带来了新的挑战。可以看到,为了带给市民们更好的出行体验,提高城市整体的服务水平,越来越多的城市选择了建设轨道交通来缓解城市拥堵问题。有建设就要有管理,城市轨道交通的管理最突出的方向就在于乘客,而管理乘客时最引人注目的突破点就是客流量,城市轨道交通服务水平的提高,离不开对于乘客流量变化的精准把握,对于一个成熟的城市轨道交通运营管理机构来说,不断追求城市轨道交通客流量预测的准确程度,发掘差异更小的客流预测模型是十分重要的。本文中的客流预测实验数据与验证数据均采用上海市轨道交通车站的AFC统计数据,在对于换乘站客流的处理上提出了车站分块的概念,进行统计。客流数据有效,实验基础可靠。本文归纳和总结了国内外现有的城市轨道交通客流预测模型,最终锁定了将时间序列预测模型作为预测城市轨道交通客流的基础模型,并选取了三个典型的模型:ARIMA模型、自适应权重模型与BP神经网络时间预测模型作为初始模型进行对比研究。为细化三种时间序列预测模型的研究结果,本文结合已有的城市轨道交通车站分类依据,将城市轨道交通车站通过AFC客流时空分布特性分为了不同类别,并分别展示了三种初始模型对于每一类车站客流预测的结果,得出了工作日典型站最适用自适应权重模型,休息日典型站最适用BP神经网络时间序列预测模型,特殊站最适用ARIMA模型的结论。引入集合经验模态分解法(EEMD)的概念,对AFC客流数据进行不同时间尺度的分解,分析各尺度的影响范围,并通过重组与调整权重等方式将分解后得到的不同时间尺度的客流分支进行重新预测,最终得出新的预测值,经验证,通过EEMD方法重组的的客流输入可以有效的预测客流的变化趋势,其精度均高于初始的三种时间序列预测模型,且模型运算简单,耗时较少。