城市轨道交通凭借其快速、安全、准点、绿色的优点已逐渐成为城市公共交通骨架,掌握作为运行图调整重要依据的站点实时客流显得尤为重要。论文将实现动态交通管理,提升轨道交通出行体验作为立足点,深入研究城市轨道交通站点客流特性,探索适用性更广、精度更高的实时客流预测方法。论文运用大数据技术深入挖掘自动售检票系统（AFC）数据信息,生成站点时间序列短时客流,依据统计学理论并结合定性与定量分析,研究站点客流时变特性及影响因素。研究发现,站点时间序列客流具有周期性、趋势性和自相关性;站点客流量及变化规律受到站点区位与规模、区域用地特征、外部交通条件、乘客属性和其它因素的影响。提出站点日均短时客流量、最大短时客流量、高峰期客流量、客流高峰期和高峰期客流凸度五个指标,描述客流时变特征并作为站点分类依据。建立HP-长短时记忆（LSTM）神经网络组合模型,通过改进粒子群算法寻优组合模型中的滤波平滑参数、隐藏层细胞数目、时间步长和迭代次数,构建适用于全网各类站点的实时客流预测组合模型。实验结果显示:HP-LSTM神经网络组合模型能够高精度预测城市轨道交通站点实时客流。论文构建的城市轨道交通站点实时客流预测模型具有较高的准确和良好的适用性,能够为城市轨道交通客流预测提供有效的理论方法,为轨道交通运营部门优化系统运能、强化安全防护、制定动态管理方案提供科学依据。