城市轨道交通具有准点率高、速度快、运量大、运距长、舒适度高、受外界影响小、资源消耗少的特点,不仅满足了居民出行的新要求,还能有效的缓解城市公共交通拥堵现象,并起到为城市节能减噪、改善大气环境的作用,逐步成为出行者主要选择的公共交通方式。随着城市轨道交通系统的逐步发展,路网规模的日渐完善与扩大,会吸引更多的出行者,而随着客流量的与日俱增,城市轨道交通车站站点会出现客流过度饱和的状态;且在既缺乏客流分布的详细信息又缺少以精准的客流预测方法为基础的客流诱导的情况下,出行者将会大量的集中在时间或距离最短的道路上,造成车厢拥挤,换乘拥堵的现象,且运力配置、客运组织也难以有效实施,站内突发事件预警及疏散方案亦无法准确制定。因此,对城市轨道交通短期客流预测进行研究具有重大意义。本文以郑州轨道交通1号线二七站的实测客流为基础,围绕短期客流预测问题,进行如下研究工作:首先,对城市轨道交通路网客流的时间、空间分布特性进行总结,为后文的短期客流预测打下基础。其次,总结短期客流预测的方法,分析各种方法的长短板及适用性。针对具有高度复杂性、随机性、非线性以及不确定性的城市轨道交通短期客流预测问题,相较于传统的预测方法,WNN(Wavelet Neural Network,小波神经网络)作为新型的非线性函数逼近工具,具有明显的优势,确定使用WNN对短期客流进行预测,并对WNN的基本原理、结构及算法步骤做简单阐述。再次,利用聚类分析和Spearman相关系数法对原始客流数据、相关影响因素进行预处理,保证输入与输出的合理性、可靠性,在一定程度上也提高了WNN的训练能力。最后,针对WNN预测效果的不稳定性以及预测精度略低等不足之处,提出SFLBAWGM(Shuffled Frog-Leaping Bat Algorithm with Gauss Mutation,带有高斯变异的混合蛙跳蝙蝠算法),用于对WNN初始参数组合的前期优化,弥补WNN中梯度下降法对初始参数较敏感的缺点。仿真结果表明,SFLBAWGM相较于BA(Bat Algorithm,蝙蝠算法)、SFLA(Shuffled Frog-Leaping Algorithm,混合蛙跳算法)以及部分参考文献所涉及的改进算法具有明显的优势;且对短期客流的实例预测结果表明,本文构建的预测模型的预测结果最为接近实测客流数据。