城市轨道交通快捷方便，已成为许多城市实现交通现代化的首选。因此，高精度的短期入境客流预测对于城市轨道交通的日常管理至关重要，因为运营方可以根据预测的客流来控制客流或重新安排列车。随着自动收费器（AFC）的广泛应用，可以方便地获取和记录大量的历史行程数据。在已有的研究中，长短期记忆网络（LSTM）特别适合于学习具有长期相关性的时间序列数据，并被广泛应用于交通流预测中。由于LSTM总是将时间序列数据作为输入，因此它的输出将与之前的输入和输出相关。大多数车站入境客流呈周期性波动，是一个具有多时间尺度的非平稳序列。利用小波分析（wavelet）对时间序列进行处理，可以清晰地反映出不同时间尺度下的多重变化趋势。因此，小波分析可以有效地处理入境客流数据因时间/时段短而产生的波动性。
