现如今,城市轨道交通持续保持快速发展趋势,且其在各线城市的公共交通体系中骨干作用日益显著。为了保证降雨天气下城市轨道交通仍能正常运营,需要对降雨天气下城市轨道交通客流进行实时的检测和精准预测。目前,城市轨道交通运营公司往往根据现有状况凭借相关经验临时或者被动采取相关措施,一方面会导致反应时间过长,无法组织最优方案,另一方面会间接造成人力、物力资源浪费。鉴于此,本文针对降雨天气对城市轨道交通客流预测开展相关研究。首先,针对轨道交通客流AFC数据和天气资料数据,对两部分数据进行现状概述分析降雨天气下城市轨道交通站点客流特性。在此基础上,分别对客流数据和天气数据进行数据预处理,清除两组数据当中的噪声数据。利用预处理完的数据分别计算降雨天气下轨道交通客流的基准值和波动率,并对降雨天气下南昌市轨道交通1号线和2号线的首末站点、换乘站点、枢纽站点的客流数据进行了分析。其次,从不同降雨等级、不同日期和不同类型轨道交通站点三个方面分别对降雨天气下城市轨道交通客流波动情况开展了相关研究。第一方面,对不同降雨等级进行了划分并进行了显著性分析,并根据划分的等级讨论了轨道交通客流波动情况。第二方面,以客流基准值和波动率为依据,分析了工作日和非工作日两类不同日期下降雨天气对轨道交通站点客流波动的影响。第三方面,根据站点客流特征聚类划分了居住型、商业型、混合型和枢纽型四种不同类型的轨道交通站点,通过计算不同类型轨道交通站点日客流波动率用于分析降雨天气对不同类型轨道交通站点客流的影响。最后,基于预处理和归一化后的降雨天气下轨道交通客流数据,搭建LSTM神经网络模型。在此基础上,考虑降雨天气下城市轨道交通站点客流特性和不同情况下降雨天气城市轨道交通客流波动规律,把不同等级的降雨量作为模型输入,客流量作为模型输出,构建基于LSTM神经网络的降雨天气下轨道交通客流预测模型。此外,对比分析了LSTM神经网络算法与BP神经网络算法的预测结果,并从相对误差和和决定系数两个角度验证了LSTM神经网络的预测结果更具备准确性和有效性。该模型的建立也为城市轨道交通部门在降雨天气下制定相应科学合理的运营组织方案提供了决策支持工具。