城市轨道交通客流计划是编制行车计划和制定运营计划的基础,随着乘客对公共交通服务水平要求的提高及大量新建线路投入运营,识别客流情况并根据短时客流对运营情况进行及时的反馈与调整,已成为运营工作的重要环节。城市轨道交通短时客流在时间和空间上具有不同的特征,经常受到大型活动、天气等外界因素的影响,表现出随机性和非线性的特点,使得短时客流预测需要着眼于微观的角度,也为预测带来难度,如何使预测结果准确率高一直是国内外研究的热点问题。为提高城市轨道交通短时客流预测结果的准确度,本文从以下几个方面进行研究:（1）时间特征下基于改进的灰狼优化算法（IGWO）与BP神经网络的短时客流预测方法（IGWO-BP）。计算轨道交通客流不同时间序列的Pearson相关系数,确定了BP神经网络的输入和输出方式;用余弦思想和动态权重策略对标准灰狼算法改进,提高算法的全局搜索能力和寻优效率;用IGWO算法优化BP神经网络的初始权值和阈值,提高短时客流预测结果的准确性。（2）多特征融合条件下基于卷积神经网络（CNN）与IGWO-BP算法的短时客流预测方法（CNN-IGWO-BP）。考虑了时间、空间、天气、大型活动四个影响客流量的特征,将大型活动看作为干扰,通过构建大型活动发生时的其他站点进站客流差值矩阵,借助CNN算法学习其他站点进站量与目标站点出站量的时空关系;用IGWO-BP算法从历史无发生大型活动的数据中学习常规的短时出站客流规律,并引入日期、天气因素进行修正;将二者结合得到最终的目标站点短时出站客流量。（3）以西安市实际的客流数据为基础,分别对两种方法进行验证。时间特征下,预测了西安市轨道交通2号线龙首原站15min时间粒度的短时客流量,并将IGWO-BP算法的预测结果与其他5种模型（KF、GM、SVM、BPNN和GWO-BP）比较。多特征融合条件下,以西安市轨道交通2号线体育场站为目标站点进行验证,并将结果与上述5种模型比较。结果表明:IGWO-BP算法的均方根误差为65.79,平均绝对百分比误差为5.01%。CNN-IGWO-BP算法的均方根误差为228.02,平均绝对百分比误差为8.52%,两种方法的预测结果的精度和稳定性均为最优。本文综合考虑时间、空间、天气、大型活动特征,并提出相应的预测方法,得到了精度较高的预测结果,为城市轨道交通运营管理提供新思路。