论文以城市轨道交通断面客流短时预测为题,基于轨道交通运营客流数据,估算历史断面客流数据,并对历史断面客流数据进行关联性分析,为短时预测提供基础,基于LSTM神经网络构建了断面客流短时预测模型,利用计算机实现断面短时客流的快速预测,预测结果能够为城市轨道交通运营资源配置和调度、运营计划制定和调整提供指导或参考。论文主要的研究成果为:从城市轨道交通开通之初、线路发展、新线扩建和网络形成方面分析了轨道交通断面客流的成长规律;以广州地铁断面客流数据为例,分析其时间和空间分布特征,并计算了断面客流分布的不均衡系数;从线网条件、土地利用、乘客因素和环境条件方面分析了断面客流的影响因素,为断面客流估算与预测提供了参考。基于改进的最短路径算法生成全网OD的有效路径集,改进后的方法将同一OD对间几条出行费用相近的路径都作为有效路径。计算有效路径的基准通行时间,通过AFC数据获取乘客的实际通行时间,运用K-means聚类法将乘客的实际通行时间样本以有效路径的基准通行时间为中心进行聚类,确定选择每条有效路径的客流量比重,将OD客流分配到各条有效路径上。以15min为时间粒度累计统计时段内通过某断面的客流量来估计断面客流。整个过程依靠计算机实现了全网断面客流的快速、批量估算。基于城市轨道交通断面客流的分布规律分析,采用层次聚类法以周为单位对各天的断面客流数据聚类分析,对一周进行日期类型的划分。基于城市轨道交通断面客流的波动规律分析,确定影响短时段内断面客流量的影响因子,并利用Spearman相关系数方法计算各影响因子与预测时段断面客流量之间的相关度,从中挑选预测因子,为断面客流短时预测奠定了基础。结合城市轨道交通断面客流随机性、非线性的特性,在大数据背景下构建了LSTM神经网络模型,实现对断面客流的短时预测。根据不同的预测时段选取对应日期类型的历史数据信息作为网络的训练数据,利用训练好的LSTM神经网络模型对断面客流进行短时预测,并运用平均绝对百分误差和赋权绝对百分误差计算预测精度检验模型预测的有效性。采集广州地铁2015年的OD客流数据,对每天的断面客流以15min为一个单位统计时间进行估算。具体对[越秀公园-广州火车站]断面进行日期类型划分,运用Spearman相关系数挑选神经网络的预测因子。运用构建的LSTM神经网络对[越秀公园-广州火车站]断面某一周每天的断面客流量进行预测,并计算精度,均在90%以上。将LSTM神经网络预测结果与卡尔曼滤波预测结果进行比较,验证了本预测方法的有效性。