城市轨道交通因其行驶速度快、高效运载客流、准时准点行车等特点,成为城市居民在短距离出行时的首要选择。城市轨道交通客流预测长期以来一直是城市轨道交通行业的一个热点关注问题,吸引了众多国内外学者的关注与研究。可靠、准确、实时的客流预测是智慧城市不可或缺的组成部分,对乘客出行规划和交通工具选择具有重要的意义,同时也是地铁运营管理和调度过程中的关键因素。目前客流预测方法主要是根据AFC系统的海量历史客流数据进行客流预测,而现有的客流预测方法主要是将工作日客流和周末客流进行分离开预测,原因是工作日客流存在的早、晚通勤高峰使得工作日客流和通勤客流存在较大的差异性。然而,这些预测方法均未考虑除去通勤高峰客流的工作日平稳客流与周末进站客流之间的联系。因此,本文采用压缩感知理论对工作日平稳客流进行构建,然后根据平稳客流和周末客流历史客流建立预测模型,同时考虑到早、晚通勤高峰的因果性提出了通勤高峰预测模型。所做的主要工作如下所述:首先,对于“单峰”型和“双峰”型站点进站客流,模拟其丢失通勤高峰时段客流,然后根据非通勤高峰时段的工作日平稳客流特性,采用基于压缩感知理论的重构算法恢复出通勤高峰时段的平稳客流,得到全天平稳客流。然后采用聚类方法对周一至周五的平稳进站客流和周末客流进行分析,发现其相似性并为后续预测模型提供输入数据。其次,将工作日平稳客流和周末客流作为历史数据,利用小波多分辨分析与单支重构对进站客流序列进行分析,然后跟据不同尺度的客流分量的特性采用合适的模型进行预测,包括二次指数平滑法、LSTM模型和CNN-LSTM模型,最后将各层分量进行融合得到原始尺度下的进行客流预测结果。经过多组实验验证,基于小波变换的组合模型比单一模型预测具有更高的预测精度;同时,也验证了工作日平稳客流和周末客流同时作为历史数据,对工作日平稳客流和周末客流的预测精度均起到了提高作用。最后,针对小波变换的预测模型在通勤高峰时段的缺失问题,提出了基于ARIMA模型和Encoder-Decoder模型的组合通勤高峰预测模型,并采用预测的通勤高峰客流对工作日客流尽进修正。经过实验对比,表明本文提出的预测方法可以提升工作日进站客流的预测精度。进一步验证了本文提出考虑平稳客流的城市轨道交通短时客流预测模型的准确性和可靠性。