短时客流预测对城市轨道交通系统运力资源配置和运营组织等决策具有重要作用。由于节日期间旅游、探亲等出行活动的影响,城市轨道交通枢纽类、旅游类站点节日期间进站客流量相比平日大规模增长,且体现出较强的瞬时性、突变性特征。此外,节日短时客流预测过程面临历史可用样本少的问题。为了确保节日期间车站运营过程的安全、提高客流疏解的效率,有必要研究和探索节日期间站点进站客流短时预测模型。论文以西安地铁四个不同类型车站节日期间历史进站客流序列为样本,从LSTM参数优化和集成实现节日进站客流短时预测模型构建与实证。主要内容如下:（1）节日客流特征分析与客流数据处理。首先从时间和空间角度对节日期间西安城市轨道交通全网、线路及四类不同站点进站客流特征进行分析;其次说明了短时客流预测的定义及相关流程,基于客流序列的Matlab热力图矩阵探讨了站点节日进站客流数据的相关性,为节日客流预测奠定了数据分析及数据处理基础。（2）建立基于LSTM的预测模型。针对站点节日进站客流非线性、突变性特点,利用长短时记忆（LSTM）神经网络处理复杂时间关联性序列的优势,将长短时记忆神经网络用于站点节日进站客流短时预测。构建了基于长短时记忆神经网络的进站客流短时预测流程并通过常规经验法与试错法进行参数标定实现实验仿真。（3）基于BGWO-LSTM的短时客流预测模型。实验中发现LSTM网络存在调参工作量大、参数组合确定困难的缺陷,设计了BGWO混合智能算法优化LSTM的参数组合。BGWO混合算法充分利用天牛须算法仅利用一只天牛便可实现搜索,能够大大降低运算量的优势,将天牛须搜索思想融入灰狼个体位置更新策略,使灰狼个体向更优的方向精确更新,从而加快收敛速度、提高寻优性能,使得预测精度进一步提高。（4）构建基于Adaboost集成BGWO-LSTM的组合预测模型。提出融合BGWO高效的寻优能力和Adaboost集成学习“优中选优”优势的组合模型。以BGWO优化的LSTM模型为子模型,通过Adaboost集成算法训练若干个子模型,基于预测误差确定子模型权重,使得误差小的子模型具有更高的权重。最后以西安地铁四类不同客流序列为样本进行实验,结果证明组合模型能够进一步提高预测精度,且在瞬时性、突变性更强的客流序列上具有较大优势,而单一LSTM模型更适应于处理较平稳客流序列。