城市轨道交通是城市公共交通系统的重要组成部分。从城市化进程来看,城市轨道交通由于其速度快,吞吐量大,安全稳定的特性逐渐成为居民出行的首选交通工具。我国目前进入经济高速发展的阶段,轨道交通成为发展城市经济,改善居民出行体验的重要手段。随着经济的发展和出行需求的不断增加,轨道交通拉动内需、带动经济增长的作用更加明显。城市轨道交通作为当前国内一线二线城市大力发展的交通运输工具,具有着不可替代的社会属性和经济属性,而城市轨道交通系统的建立,一方面能对城市居民的出行线路进行及时的优化调整,尤其在节假日等外出人口较多的时候对居民的出行起到指导作用;另一方面,当出现紧急状况的时候,城市轨道交通系统的存在也方便运营者对运营线路以及援救策略进行及时的调整,以此来确保城市居民的安全出行和完成正常的服务任务。作为公共服务基础设施,城市轨道交通需要大量的经济投资以及先进的监测技术。城市轨道交通系统的设计可以使公众在享受便利出行条件的同时降低出行成本,其关键是有效提高短时客流预测的准确度,及对各站点的每个时期的客流进行实时监测及准确预测。本文针对不同出入站的轨道交通客流预测进行研究,主要内容如下:（1）分析了地铁运营路线中的部分站点交通客流数据的相似性和周期性,通过选取一周的客流量的变化进行特性分析,通过分析每天的固定时段的客流变化,为下一步进行的小波分析及预测模型的建立打下基础。（2）交通客流数据小波分析处理。将客流数据进行数据预处理操作,其主要方式为通过将原始交通客流数据和小波处理后的交通客流数据分别训练,进而建立标准的LSTM-1和LSTM-2模型结构并进行对比实验,验证了小波阈值去噪对模型预测性能的有效性。（3）LSTM模型的构建。对各种LSTM模型进行特征分析,从而建立了本文LSTM模型。通过对实验参数进行优化,对比分析LSTM的隐藏层内部结构,进行实例仿真实验。即利用不同数据特征的数据集分别对LSTM-1和LSTM-2两种模型进行训练,随后通过划分不同预测时间步长和其他几种对比模型进行预测效果比较,验证了模型的预测精确性和稳定性。（4）改进时空LSTM模型的构建。将一般的LSTM网络的隐藏层以及神经元结构进行改进,从而充分获取时序客流数据中的特征;然后将采用小波去噪处理后的交通客流数据输入模型中,完成对LSTM-3模型的构建及训练。（5）在LSTM-3模型中引入注意力机制,从而构建LSTM-4模型。选择阿里天池大赛天池城市AI地铁客流量数据进行案例分析,对LSTM-4模型进行性能评估,并与ARIMA模型、LSTM-3模型等进行对比。实验结果表明,本文所提出的预测模型有更好的预测效果。