由于轨道交通具备客运量大、污染少、准点率高以及绿色低碳等特点,其已成为人们日常出行方式的首选,也是解决交通拥塞问题的主要途径之一。轨道交通线路的不断延伸以及线网的日益完善使得客流变化趋势愈发扑朔迷离,而线路之间的交叉耦合导致客流的时变性、非线性以及随机性更加明显。轨道交通客流预测是运营部门制定列车运行时刻表以及列车开行方案的重要依据,其可以为运营部门在优化列车发车间隔、实现列车动态调度、改善乘客出行体验以及提高乘客服务水平等方面带来极大的帮助。不同于长期预测,轨道交通短时客流预测的主要目的是在指定时间粒度范围内对客流实现快速准确预测。由于一天内不同时段的客运量差异较大,因此相对于长期客流预测而言,短时客流预测的难度更高,非线性及随机性的影响更大。基于上述情况,本文主要做了以下几个工作:（1）在大数据时代背景下,为了实现短时客流的准确预测,本文分析对比了多种客流预测方法,最终选择具有自学习与自适应能力的神经网络作为客流预测主体模型,并在普通网络结构的基础上,结合前人提出的OIF-Elman（Output Input Feedback-Elman）和OHF-Elman（Output Hidden Feedback-Elman）改进模型,本文提出了DHOH_1stOH_2ndF（Double Hidden Output-First Hidden Output-Second Hidden Feedback）网络结构模型;（2）考虑到网络模型训练时间随样本量增加而快速增长的问题,本文提出在Spark分布式并行计算框架上对模型进行训练,并设计了整合模型训练算法,以减少网络训练的时间成本;（3）由于一周内每天的客流模式有所差异,为实现不同日期类型下的短时客流准确预测,本文提出了一种基于类簇中心距离最小化原则的层次聚类算法对一周内的各天进行日期类型划分。而对于客流预测因子的筛选,本文将时间与空间维度两个不同层面的因素纳入候选范围,实现了一种时空相关性分析算法;（4）论文最后利用广州市轨道交通实际客流数据,针对不同的日期类型,分别就站点与断面短时客流预测两个方面对提出模型进行了稳定性及适用性的测试与验证,最终实验结果表明本文所提出模型的短时客流预测精度较为理想,达到了项目中期模型短时客流预测精度大于等于80%,末期大于等于90%的指标要求。