轨道交通客流预测是轨道交通线网规划的重要内容，是确定轨道交通系统的线网规模、设置轨道站点及布设线路基础。不同类型的轨道站点在城市中的功能定位和布局要求等方面均存在差异，进而导致站点的进出客流量呈现显著的时空分布不均衡性。为了挖掘各类型站点的客流变化规律，将站点自身特征和周边环境特征组成向量因子，运用K-means聚类方法对站点进行分类。在此基础上，将影响乘客出行的多源数据作为输入特征，分别构建了随机森林（RF）模型、门控制循环单元（GRU）模型以及RF-GRU组合模型，从而进行站点短时客流分类预测。利用杭州地铁站自动检票系统（AFC）采集的刷卡客流数据，对所构建的预测模型的有效性进行检验。研究结果表明：利用7个刻画站点自身特征和周边环境特征的参数作为聚类因子，并结合站点客流时间分布数据，可将杭州市地铁站点分为就业导向型车站、职住混合型车站和住宅偏远型车站；采用平均绝对误差以及均方根误差作为评价指标，参数化模型（ARIMA）、非参数化模型（SVR）、深度学习模型（LSTM、GRU、SAEs和GCN）、组合模型（DCRNN、STGCN、STHGCN、DSTHGCN）的预测误差依次降低，其中RF-GRU组合模型的预测精度优于其他的组合模型；对站点进行分类之后，单一模型和组合模型预测结果的精度均有提高。