地铁作为一种新型、高效、绿色的公共交通工具,能够有效缓解交通压力,很大程度上解决了大中型城市的交通供需矛盾。短时客流预测是地铁调度的重要决策依据,准确的地铁短时客流预测能够为地铁的良好运营提供保障。论文以地铁刷卡数据为基础,分析客流的分布特征,归纳总结了客流预测的方法,对粒子群算法（Particle Swarm Optimization,PSO）进行改进,构建了一种改进粒子群算法（Improved Particle Swarm Optimization,IPSO）优化长短时记忆（Long Short-term Memory,LSTM）神经网络的地铁短时客流预测模型,利用IPSO算法对LSTM神经网络的参数进行寻优,将粒子的最优历史位置作为LSTM神经网络的最优参数（迭代次数、学习率和隐含层的神经元个数）,利用优化好的参数搭建LSTM神经网络并对地铁站点的进站客流进行预测,为地铁的运营管理提供帮助。具体研究内容如下:（1）数据处理以及地铁客流分析。首先,对地铁一卡通的刷卡数据进行处理,获得特定时间间隔的客流进站人数,构建时间序列的客流数据;其次,利用经验模态分解法对工作日和非工作日的地铁进站客流数据进行分解,降低数据噪声的干扰;最后,对工作日和非工作日客流、当前客流和历史客流的相关性进行分析、对不同时间粒度下的客流分布进行分析。（2）针对标准粒子群算法不能很好地区分全局搜索和局部搜索以至于容易陷入局部极值的问题,对粒子群算法进行改进。首先,改进粒子个体的速度更新公式和位置更新公式,将惯性权重和时间因子由固定值变为随迭代次数动态变化的自适应数值,以此来提高粒子群算法全局搜索的能力;其次,借鉴遗传算法中的变异机制,引入自适应变异函数,使粒子群算法具有跳出局部范围的能力;最后,选取Sphere函数、Rastrigin函数和Schwefel 2.22函数对改进的粒子群算法进行测试,证明改进的粒子群算法具有更高的搜索能力。（3）预测实例分析与验证。以上海地铁站点的客流预测为例,预测未来一天中陆家嘴站的进站客流。利用改进的粒子群算法优化LSTM神经网络的学习率、迭代次数和隐含层的神经元个数,利用优化后的参数构建IPSO-LSTM模型,进行地铁短时客流预测,并构建LSTM、PSO-LSTM和多层感知器（Multilayer Perceptron,MLP）三种地铁短时客流预测模型,通过平均绝对百分比误差、均方根误差、平均绝对误差和决定系数对预测精度进行对比,结果显示IPSO-LSTM模型的预测误差均小于其他模型,证明了论文构建的IPSOLSTM模型具有更好的预测效果。