轨道交通的时效性、舒适性等优势,使轨道交通逐渐成为多数乘客的优选出行方式。断面客流短时预测能够反映实时变化规律,是管理部门制定决策、运营管理、合理配置资源的重要数据基础。论文对城市轨道交通自动售检票系统交易数据进行分析,对客流进行分配,计算断面客流,并提出基于循环神经网络的深度学习预测方法对断面客流进行短时预测。论文以南京市轨道交通为例,首先基于自动售检票系统所采集的交易数据,对乘客的出行特征进行了分析,并研究了客流的时间分布以及空间分布情况,并根据客流特征分为工作日和非工作日两类。其次,根据K短路径算法,论文计算轨道交通任意OD站之间的有效路径,并依据混合高斯模型,将客流分配至各条路径。在此基础上,结合乘客的出入站时间,将客流分配至各线路的各趟列车,计算统计时段内的断面客流量并分析其时间序列的平稳性。最后,以计算的断面客流为基础数据,建立以时间序列为输入的多个循环深度学习预测模型并进行参数调优,以MAE、RMSE以及MAPE作为评价指标,比较各模型的预测效果。鉴于AFC交易数据获取断面客流数据的滞后性,论文使用Mask R-CNN网络模型进行目标检测,论证监控画面实时获取断面客流数据方法的可行性,为未来研究做准备工作。论文通过实例证明,所提出的基于循环神经网络的深度学习预测模型适用于断面客流的短时预测,其中DBLSTM网络模型预测效果优于其他深度学习模型,精度较高。