随着城市规模的不断扩大、人口的不断增加、私人小汽车的逐渐普及,交通拥堵、环境污染、能源消耗等问题日趋严重,这与人们自由出行的愿望背道而驰,城市面临巨大的交通压力。准时、环保、舒适、运量大、效益好的城市轨道交通已经成为解决交通问题的主要发展方向。客流量是城市轨道交通路网规划与设计的基础,而前期的客流预测是城市轨道交通工程建设的关键技术。围绕城市轨道交通客流的短期预测问题,本文主要进行了如下的研究工作：1、对北京市轨道交通清明节假期的客流数据进行统计和分析,得到了其时序特征、周期规律及主要影响因素。此外,对线路流量和进站量数据进行聚类分析,有效划分数据样本类型,为模型改进及案例分析提供可靠的数据支持。2、针对RBF神经网络单一模型结构的局限性现状,构建基于时序特征的多模块加权神经网络预测模型,通过轨道交通线路流量的预测实例,验证改进后预测模型具有更高的预测精度。3、针对支持向量机单一核函数的不足,构建改进的基于混合核函数的支持向量机预测模型,通过对进站量预测的实例分析,证明改进后支持向量机模型更好的拟合效果及在城市轨道交通短期客流预测领域的可行性。4、考虑RBF神经网络和支持向量机两种单项预测方法在学习方法、建模方式及结构特征等方面的优势,将这两种预测方法有机的融合在一起,构建基于灰色关联度最大化的组合预测模型。通过清明节线路流量的预测实例,得到了组合预测方法比单项预测方法更大的关联度,证明组合预测模型优于单项预测模型。