城市轨道交通站点客流量时间序列变化在较长时间段内呈现一定规律性,但是若受到节假日大客流或突发偶发事件等因素影响,站点客流变化规律较往常会有所不同,呈现更加非线性、非平稳性特点。较精确地预测下一时段客流大小,有利于出行者实时掌握客流变化信息,为出行者的出行规划提供参考;对于轨道交通运营管理者而言,掌握实时准确的客流量变化情况,有助于其合理分配人力资源、优化导流设施、采取应急措施。经验模态分解（EMD）能将复杂非线性、非平稳性序列信号分解为若干较平稳的分量,K近邻非参数回归（KNN）则在时间序列模式匹配预测中得到了广泛应用。为此,本文主要探讨经验模态分解与K近邻非参数回归的组合预测方法（EMD-KNN）在轨道交通站点进站客流时间序列预测中的适用性。首先,本文分别总结了经验模态分解法和K近邻算法的研究现状,并且对两种算法原理进行了详细介绍。然后,以苏州市轨道交通广济南路站小时进站客流时间序列为研究对象,应用K近邻非参数回归预测方法对若干日各时段客流量进行预测。该算法步骤主要包括数据库的建立、状态向量的选择、近邻K值的确定以及加权预测等等。其中将历史数据分为工作日与非工作日两个预测场景,并引入平均绝对百分比误差变化率来提高近邻K值的确定效率,结果表明K近邻算法具有较好的预测精度。进一步,将经验模态分解方法与K近邻算法进行组合预测。在不区分工作日和非工作日预测场景前提下,对客流时间序列进行经验模态分解,得到若干本征模函数IMF和一个残差序列,将各分量通过合理分组,得到高频序列、低频序列以及趋势项序列,针对每一个重组序列分别运用K近邻算法进行预测,将各重组序列得到的预测值算数叠加得到最终预测值,结果发现EMD-KNN预测算法较单一KNN算法具有更高预测精度。最后,分析新型冠状病毒肺炎（COVID-19）疫情影响下广济南路站进站客流变化情况,通过BP结构多断点检测方法,识别出结构断点大致位置为2020年1月23日、2020年3月11日和2020年5月2日。三个结构断点将时间序列划分为四个子时间段,利用KNN算法、EMD-KNN组合算法和ARIMA模型,分别对是否区分结构断点情况下的客流进行预测。结果表明EMD-KNN组合算法和单一KNN算法预测结果的变化趋势与真实值高度一致,且EMD-KNN组合算法具有更高的预测精度,更加适应非线性、非平稳性的轨道交通小时进站客流时间序列的预测。