随着我国城市轨道交通建设步伐的进一步加快,城市轨道交通系统不断向着网络化运营趋势发展,运输组织模式日益复杂化,因此如何提高运输效率、提升服务水平、保障运营安全成为轨道交通网络化运营亟待解决的问题。城市轨道交通短时进站量预测作为短时客流预测的重要组成部分,寻求科学合理、预测精度更高的预测模型,不仅有助于进一步把握客流动态变化规律、制定列车短时开行方案,调整车站管理策略,而且有助于实现城市轨道交通科学、高效、安全运营,因此城市轨道交通短时进站客流量预测研究意义重大。论文首先分析了 AFC数据上传过程中存在的缺陷,并在此基础上提出了城市轨道交通车站进站量异常值识别及校正方法,从而实现了对进站量数据的有效还原,并进一步分析了城市轨道交通进站客流的时空分布特征;其次,针对城市轨道交通短时客流的非线性、非平稳性特征,论文通过利用完全总体经验模态分解对城市轨道交通短时客流进行平稳化处理,并引入样本熵理论对分解分量的可预测性进行评价,之后对可预测性较低的高频分量进行变分模态分解,以便进一步削弱短时客流随机性;再者,论文建立了基于核函数极限学习机的短时客流预测模型,并结合模拟退火和粒子群算法实现参数的优化选取,进一步提高了短时预测的准确性和适用性;最后,论文选取北京市轨道交通系统中的西直门地铁站进行实例研究,并依次进行单步、多步预测,实例预测结果表明,论文所构建的短时预测模型与传统预测模型相比具有更理想的预测结果,并在一定程度上提高了短时客流预测的精度,同时论文的研究对于指导轨道交通未来发展规划也具有一定的现实意义。