近几年,城市轨道交通由于自身方便快捷等优势,越来越受到出行者的青睐。与此同时,过大的旅客需求量造成了拥堵情况加重、城市轨道交通相关设施不足的问题。因此,实现科学合理的规划城市轨道交通列车在不同时段的发车间隔,根据不同车站的客流密度优化设施数量和布局就显得尤为重要。而城市轨道交通短期客流预测能够为解决上述问题提供一定的启发和有效的数据支撑。作为编制未来规划的关键一环,准确的短期客流预测对于满足乘客出行需求,提高运营部门服务水平和保障运营企业经济效益都具有重要的意义。论文重点围绕城市轨道交通短期客流数据的分析和处理,城市轨道交通短期客流预测模型的构建以及实例分析等内容进行相关研究。首先,针对城市轨道交通客流量时变特性,使用聚类、分解等算法对数据进行处理。根据日客流量和分时段的客流量分别对客流数据进行二次聚类。同时对经过二次聚类的各个子簇分别采用EEMD和CEEMDAN算法实现数据分解,降低原始客流数据的波动性,保证每个子簇的客流数据在预测结果方面更加精确。然后,结合城市轨道交通客流的特点,制定出能够准确预测相关数据的短期客流预测模型。本文提出了一种基于灰狼优化算法的支持向量机回归模型实现短期客流的精准预测,以灰狼优化算法参数较少,不易陷入局部最优的优势弥补了支持向量机回归模型寻参难的缺陷。同时也提出了一种经过灰狼算法优化的BP神经网络模型,该模型大幅度降低了原始BP神经网络模型的运行时间。最后,以西安地铁2号线为例对论文所提模型的可行性进行验证,并对相关模型的预测结果进行对比,得到本文所提的混合预测模型效果更优,对具有非线性、非平稳性的客流数据预测结果更精确。