随着我国经济的快速发展以及城市规模的不断扩大,居民出行对公共交通的需求持续增长,交通拥堵、交通污染等问题日益突出。近年来,为解决这些问题,我国通过大力发展了以地铁为主的轨道交通系统。然而,地铁运行网络规模的扩大和运营方式的复杂化,其运营的安全和效率又给相关交通运管部门带来了新的挑战,其中客流拥挤是最受关注的问题之一。鉴于此,本文将结合地铁自动售检票系统(automatic fare collection system,简写为AFC系统)中所记录的乘客出行数据,对地铁站短时客流量进行实时预测,从而协助交通运管部门调整运营策略,缓解客流拥挤现象,其主要工作和结论如下。本文首先,对交通拥堵现状进行分析,对目前客流大、拥堵等问题进行研究。同时对比国内外研究现状和方法,根据地铁短时客流量的数据特点,对原始数据有效性的检测,客流数据的提取,建立交通卡数据处理流程系统。设计出交通卡数据处理流程,提出适用于短时交通预测的数据处理系统算法。而后,本文将采用线性回归、支持向量回归机和长短期记忆模型三种方法对地铁站短时客流量进行预测。这些模型所采用的属性包括(1)从客流序列本身提取出来的、代表其自相关特点的时间属性;(2)从OD矩阵中提取出来的、代表其他站点对目标站点客流量影响的空间属性;(3)从外部网站获取的、代表外部环境对出行行为影响的环境属性。最后,本文将OD估计方法和客流预测模型应用在某城市的地铁数据当中,并与经典的时间序列预测模型ARIMA进行了对比。实验结果表明:(1)在不考虑空间属性的情况下,长短期记忆模型和ARIMA模型表现较好;(2)空间属性能够有效提升模型预测精度。