近年来随着城市轨道交通规模不断扩大,精确的短时客流预测可以为运营组织调整提供依据,从而有助于减少乘客候车时间、提高列车运行组织效率。国内外学者在城市轨道交通短时客流预测方法方面已做了大量研究。然而,在进行短时客流预测时的对象选取及先验数据客流量时间粒度的选择等方面尚缺乏系统的研究。鉴于此,本文以西安市城市轨道交通全网各站点不同时间段进站客流量为基础,探究不同类别城市轨道站点在短时客流预测精准度方面的差异。同时,提出一种基于机器学习及经验模态分解的短时客流预测方法。首先,以地铁自动售检票系统(AFC)所获取的进站客流数据为基础,提取8类不同时间段客流特征,并将其作为站点分类聚类因子,使用k-means方法将地铁站点分为4类,分别为Ⅰ类(重度居住型站点)、Ⅱ类(轻度居住型站点)、Ⅲ类(消费旅游及客运枢纽站点)、Ⅳ类(商务工作类站点)。其次,依据地铁运营时间内进站客流量占比大小确定短时客流预测的时间段。在选定的时间段内,对4类站点分别选取8种不同时间粒度下的进站客流量进行Pearson系数相似性度量,得到进行短时客流预测的最佳时间粒度为15min。为验证不同类型站点时间段选取的有效性,采用短时客流预测较为成熟的时间序列预测模型(ARIMA)分别对15min时间粒度选取下的8个时间段进行预测,预测结果表明4类站点预测误差较小的时间段与数据相关性具有直接关系(预测误差越小的时间段其Pearson系数越高)。然后,使用回望型波动率(LBV)来描述客流数据波动幅度的大小,并提出一种基于经验模态分解-支持向量回归(HHT-SVR)的短时客流预测方法。通过预测误差对比分析,结果表明:与传统的短时客流预测ARIMA模型、SVR模型、BPNN神经网络模型等相比,HHT-SVR模型的预测精度有明显的提升。最后,以西安市87个地铁站点作为样本,对数据波动率(LBV)与预测误差进行拟合,结果表明线性拟合时,拟合效果R~2达到0.713。表明数据波动率与预测误差间存在明显的正相关性,且不同类型站点在预测误差上存在明显差异。经统计,Ⅰ到Ⅳ类站点预测误差平均值分别为:3.12%、4.61%、6.62%、3.89%。