近年来,铁路行业发展迅猛,铁路客运量呈现爆发式增长。精确的铁路客流量预测对列车班次调整、客运效益最大化以及基础铁路布局有着重要的指导意义。长短期记忆神经网络（Long Short-Term Memory,LSTM）在序列建模上有一定的优势,被广泛地运用于预测领域。由于铁路客流量数据复杂,LSTM的神经元数量、学习率和迭代次数选择不佳时,容易导致预测过程耗时严重,预测准确度下降,难以达到较好的预测效果。首先,通过特征重构与提取技术围绕时间序列特点构造客流量特征值,并利用归一化等方法处理原始客流数据以平衡各特征在模型训练过程中的影响力。利用相关性分析、异常值分析、分布性分析等方法寻找原始客流特征数据中的异常值、缺失值,然后剔除无关和冗余特征,优化客流量数据特征集,以达到提升预测结果准确度的目的。其次,结合客运数据特点,通过定义基因分组规则、控制组内基因个数、优化基因交叉遗传规则三种方式对传统的遗传算法进行优化,并用改进基因遗传规则后的遗传算法结合相关性分析得到时间、节假日、季度性等多个特征值,以此作为铁路客流量的影响因子。然后,通过非线性指数记忆权重变化来提高模拟退火算法的收敛速度,并用模拟退火算法优化LSTM神经网络结构,提升LSTM神经网络模型的预测效果,从而实现铁路客流量的精确预测。最后,基于客流预测的分析数据,开发铁路客运大数据系统并搭建Greenplum大数据存储集群,实现了对铁路客运各种信息数据的分析计算以及数据大屏的结果展示等功能。预测结果表明,经过优化后的LSTM神经网络比普通的LSTM神经网络预测精确度提升了15%以上。相较于其他常用的预测方法,优化后的LSTM神经网络具有明显的优势,平均精确度比其他方法高20%左右,达到了较好的预测效果,具备作为现代铁路客流量预测方法的能力。