近些年以来,城市轨道交通由于具有高效便捷、绿色环保以及客运量大等特点,且在政府的大力推动之下快速发展,已经成为多数人出行时首要选择的交通工具。随着客流量的急剧增加以及路网规模的快速扩张,部分车站客流超过设计能力,城市轨道交通管理系统的应急管理和安全运营面临巨大挑战。因此,对于城市轨道交通的运营管理工作来说,准确可靠的客流预测成为解决该问题的必由之路。通过对城市轨道交通的短时进站客流与短时OD客流做一个精准的预测,城市轨道交通系统便能够做出相应的车站动态管理以及运营计划的制定。所以本文将针对这两种客流预测需求做出相应的研究分析,具体内容如下所示:（1）介绍客流相关的主要概念,对客流预测有一个清晰的认识。分析机器学习中的主要算法模型以及其所应用的领域,着重对目前最为前沿的深度学习进行介绍,为之后的预测模型的构建有了一个很好的帮助。（2）数据的分析与处理。收集预测所需的原始AFC数卡数据以及影响客流的相关要素等信息,并对原始数据进行异常数据的识别与修复。按照五分钟的时间粒度将进站客流进行筛选,通过对不同站点之间的客流特性分析,总结出了在工作日与非工作日各自的客流区别以及周期性的变化特征。以十五分钟的时间粒度对OD客流进行筛选,分析了四类不用性质OD客流的各自特性;其次通过对四周时长以及一周七天的OD客流数据统计,发现OD客流在时间序列上有着很强的周期性。这一系列客流分析为之后的预测工作做下了铺垫工作。（3）提出了基于多特征多维度的CNN-LSTM组合模型来对短时进站客流进行预测。具体方法是先通过卷积神经网络CNN对客流数据进行特征提取,再依据长短期记忆网络进行多维度时间序列上的预测。通过对不同站点的进站客流预测分析发现,CNNLSTM模型能以较高的精准度预测短时进站客流;并将其与CNN、LSTM、RF、GBDT及SVR单预测模型进行了对比分析,得出组合模型具有更好的预测性能。（4）提出了基于时序特征的GRU-Attention组合模型的短时OD客流预测。与进站客流相比,OD客流更具有随机性且客流量相对较低,因此其影响特征更加难以量化。本文通过构建时间序列可预测性评估模型,证实了短时OD客流具有很强的时序性。GRU在有关时间序列的预测领域方面有很强的拟合能力,Attention机制可以更好地对客流数据的主要特征有一个很好的权重赋值,因此构建GRU-Attention模型来进行短时OD客流预测。实例分析中通过对不同OD客流的预测发现,该模型有很好的预测性能;其次通过对不同时间粒度的OD客流的预测结果对比分析发现,以十分钟的时间粒度进行短时OD客流预测时,具有最高的预测精准度。