在城市化进程中,城市规模不断扩大,居民出行需求持续增加,轨道交通作为一种重要的公共交通出行方式得到了快速发展,越来越多城市的轨道交通进入网络化运营阶段。城市轨道交通网络化运营面临乘客需求增长迅速、网络结构和客流变化日趋复杂的局面,由此给运营管理者带来了不断增大的运营压力和运营风险。深入分析客流规律并在此基础上实现对城市轨道交通的短时客流预测,对管理者制定管理方案和相关政策、运营部门提高轨道交通服务水平,保障轨道交通出行来说具有重要意义。为此,本文在以往研究的基础上,从北京市轨道交通IC卡刷卡数据出发,从全网和站点两个方面分析客流时变规律和乘客出行特征,并根据该特征将轨道交通客流分为稳定客流和随机客流两部分。在对比分析多种短时客流预测方法的基础上,结合不同客流特征为两类客流选择相应的预测模型,构建了基于客流成分分解的短时客流预测方法,实现了对城市轨道交通站点工作日进站量的预测,并运用不同类型站点客流数据对提出的模型进行了验证。具体研究内容包括:(1)利用2015年11月北京地铁IC卡刷卡数据,以15min为时间间隔构建了客流时间序列,分析了全网和站点的客流时变特征,并从乘客个体维度分析了乘客全网和站点的出行特征。(2)运用多个预测方法对四个不同类型站点多天的客流数据进行预测,比较不同预测方法的特点,为后续模型选择提供参考。(3)根据对全网和站点的客流时变特征和乘客出行时间特征分析,提出从乘客出行天数和出行时间极差两个维度来衡量乘客出行的稳定性,并依据这两个指标给出了相应的客流分解原则和算法。(4)按照提出的客流成分分解算法,对四个站点的客流成分进行分解,分析了稳定客流和随机客流的特征。依据各部分客流特征和不同预测模型特点,提出历史平均模型来预测稳定客流,基于贝叶斯框架的相关向量机模型来预测随机客流,构建了基于客流成分分解的短时客流预测模型。(5)通过实例分析以及和其他模型的对比,验证了本文提出的模型具有良好的预测性能和泛化能力。