近些年来,随着社会经济的不断发展,城市间的交流更加频繁,导致人员流动量不断增加。火车站亟需一种人流量预测方案及时预测车站内未来一段时间的客运流量,提前优化车站服务人员结构。火车站人流量预测是智能交通系统领域中最具有挑战性的问题之一,它是预防和缓解火车站交通拥堵的关键枢纽,然而国内目前对于火车站人流量预测并没有有效地解决方案,现在主要使用的仍然是统计学方法即差分自回归移动平均模型(ARIMA),这个方法由于难以确定模型参数,建模难度大,导致建模后预测精度低、时延大,因此,本文提出一种基于支持向量机(SVM)和长短时记忆神经网络(LSTM)的火车站入口人流量预测方法。该方法通过火车站入口前端技术视频监控装置实时获取人流量数据,并实时提取上传至数据库服务器,服务器终端继而对人流量数据进行清洗、过滤、整理,然后根据火车站数据库中历史人流量数据,分别用SVM和LSTM算法对该历史人流量数据训练、学习、建模。利用模型对未来一段时间火车站内部客运流量进行预测,然后服务器根据预测信息调取决策库进行智能决策,并将该决策调度方案提前通知相关工作人员做好准备。该方法可以有效减少人力成本、节省设备资源、提高工作效率、改善乘客体验,同时也提升了火车站自动化、信息化、智能化水平。通过实验证明,基于SVM和LSTM的火车站入口人流量预测方法可以有效地学习具有时间序列性的大样本数据中的复杂时间特性关系,对火车站人流量进行预测,为火车站管理层提供强有力的决策支撑,做出正确调度方案,优化服务人员结构,加快火车站智能化建设。