客流预测在城市轨道交通系统运营管理过程中处于举足轻重的地位,是合理部署运输资源、优化列车开行方案、指导日常运输组织及经济效益评价的重要前提。随着信息采集技术、计算能力以及人工智能等的快速发展,短时客流推演的准确性在成网条件下尤为关键。因此,围绕这一问题,本文以AFC系统数据为基础,重点研究城市轨道交通站点进站客流的时空特征与预测模型。主要工作和成果如下:(1)进站客流时空特征分析针对城市轨道交通进站客流的时空特征。其一,分别从全日分时、周内日客流和周期性分析客流的时间特征;其二,利用Spearman等级相关系数分析站间客流的空间关联性。结果表明,不同空间站点客流具有不同的波动形态,主要有单峰型、双峰型、全峰型、无峰型和突峰型五种类型,且具有明显的周期性、非线性、空间差异性与关联性等特征。(2)多特征融合的站点客流预测模型构建针对预测因子选择,首先分别利用Pearson相关系数和Spearman相关系数测定客流序列的时间依赖性和不同站点客流序列的空间关联性,据此确定时间和空间维度的输入因子;然后引入MAE误差判断不同类别天气对客流量的影响,根据误差大小进一步确定合理的天气类别特征;最后利用One-hot编码技术对定性指标进行量化处理。提出了以LSTM神经网络为核心的融合多特征的“端到端”短时进站客流预测框架。首先利用LSTM神经网络挖掘客流序列的时间依赖性特征并进行初步预测,利用One-hot编码天气和时段特征并通过Embedding层嵌入外部因子稀疏矩阵,然后利用全连接层融合不同站点的初步预测结果和外部因子得到客流时间序列预测结果。(3)实例分析最后,以成都地铁火车南站为实例研究对象,选择ARIMA模型与LSTM神经网络为对比参照模型,经多次实验,融合多特征的组合预测模型预测性能最佳,训练集和验证集MAE误差分别为11.49和10.85,并在测试集上对模型进行泛化性能测试,结果表明,该模型具有较佳的预测精度和鲁棒性。