移动定位服务的兴起和发展,用户和商家在线上线下的交易和行为产生了海量数据,这些数据在电商O2O平台常常被收集使用。随着交易数据的急剧增长,O2O平台基于这些数据能够为商家提供多种定制化的商业智能服务,其中包括交易统计,销售分析和销售建议等,同时致力于为各类商家提供销售预测以帮助其优化运营,降低经营成本,改善用户体验。这里将单位时间内在商家在线支付消费的人次数量定义为客流量,基于此提出了客流量预测问题。进行客流量预测的影响因素众多且复杂,传统的特征提取方式可能不够全面。因而面临一个重要的问题,即如何从海量交易数据中挖掘出隐藏的用户消费行为规律。深度学习方法可以充分挖掘出各种数据特征,通过对历史数据的规律分析,各种影响因素的相关性分析,可以将商家的经营数据应用到后续判断。神经网络因为自身的高度自学习型和稳定性,在深度学习中被广泛应用。本文基于蚂蚁金服的O2O平台“口碑”的商家运营数据,从时间序列视角通过对商家的客流量和客户浏览行为数据的统计分析和数据可视化,发现其表现出了明显的时间序列相关性,并具有长期、短期和周期性特征。为了强化这些时间周期特征,增加了多个时间变量例如星期几（day of week）和是否工作日（is＿weekday）作为时间因素。考虑不同商家的特征差异,结合选取商家属性特征如地理位置信息、评价评级情况及经营品类等作为空间因素,还引入天气等可能的宏观意义上的影响因素等。基础模型是基于长短期记忆网络捕捉时间特征,将这个问题转化为有监督问题对各个商家的客流量进行预测,模型运用seq2seq的思想输入历史28天数据从而得到商家未来14天客流量的预测。然后进一步优化改进了基础模型,将一维卷积神经网络和双向长短期记忆网络相结合,并引入注意力机制建立时间序列预测组合模型。使用改进后的模型设计了不同参数组合实验,并对多组实验结果对比分析,得到一些启发并且最终训练得出较好的预测结果。基于预测结果,商家可以考虑根据预测客流量提前调整高峰期和平日的营销方案,优化运营策略,降低运营成本,提升用户体验,为人工智能在商家运营策略的问题上提供实践性的指导意义。