随着我国城镇化速度的加快和经济的快速发展,城市交通因受道路承载力等因素影响,城市交通拥堵现象日益严重。近年来,国内城市为了缓解交通拥堵,并给市民带来更好的出行体验,越来越多城市选择发展大运量的公共交通系统。而城市轨道交通因其运量大、速度快、绿色、节能等优点,越来越多城市选择发展城市轨道交通系统。因此,对于城市轨道交通运营公司而言如何准确预测站点进站客流,从而为其制定出更加合理的城市轨道交通运营方案,提高城市轨道交通服务质量显得尤为重要。本文通过归纳总结国内外现有的短时客流预测方法,针对不同预测方法存在的不足,提出将深度学习方法应用在城市轨道交通短时客流预测领域,并构建两种深度学习短时客流预测模型:PSO-LSTM模型和DBN-ELM模型。针对LSTM的神经元数量、学习效率和迭代次数通常难以确定,在该模型使用过程中常常使用经验法和不断试错法来标定参数,从而造成模型预测精度不高的问题,本文提出利用粒子群算法(PSO)来对模型参数进行寻优,以此来提高模型的预测精度,进而建立普适的长短期记忆神经网络用于城市轨道交通短时客流预测。本文基于深度置信网络和极限学习机模型设计并实现了 DBN-ELM预测模型。该模型基于深度置信网络的无监督式学习和极限学习机的有监督式学习来对样本数据进行训练,通过底层深度置信网络对数据进行重构与特征提取,从而为顶层极限学习机提供有效的数据表达。而顶层的极限学习机对底层深度置信网络的权值进行微调,使得整体模型更加契合数据变化规律,同时设计了 PSO算法实现对顶层ELM的参数优化。以北京市王府井站进站客流量预测的实例,验证了本文所建立的PSO-ESTM模型和DBN-ELM模型在进行城市轨道交通短时客流预测方面的有效性。通过将不同模型间进行试验对比分析,结合各个模型的结构特征,得出了 PSO-ESTM模型针对时序性强的客流预测的效果更好,DBN-ELM模型针对强随机性、非线性的客流预测效果更好的结论。图43幅,表15个,参考文献53篇。(不计入分图和分表)