近年来,随着城市计算的快速发展,智慧交通系统已经成为基于位置服务的热点研究领域。地铁流量预测作为其中一个重要的研究方向,不仅能为城市地铁的智能调度和规划提供重要的决策基础和数据支持,还能够满足出行用户对规避地铁站点拥塞的强烈需求。当前的城市地铁虽然普遍拥有调度和管理方案,但仍然暴露了地铁与乘客的供需不匹配等问题,造成安全隐患。若能应用一套地铁流量预测系统,预知地铁站点的客流量情况,将极大提高地铁线网的运营效率和广大市民的出行满意度。深度学习技术的应用在学术领域逐步崛起,结合时空预测理论而形成的深度时空网络,具有强大的特征表现能力和对非线性综合数据的拟合能力,能够捕捉交通客流量的时空效应,现阶段已经在流量预测算法中进行了广泛尝试,并产出了若干成果。本文提出了一种地铁流量建模方案,利用城市地铁刷卡数据,采用融合了注意力机制和多尺度卷积的深度时空网络,学习潜在的时间关系和空间关系,并添加了全局上下文外部信息和多任务学习策略,在提升模型精度的基础上,促进了地铁进出站客流量预测任务的稳定性和泛化能力。本文进而实现了一套地铁流量预测系统,解决了城市地铁智能化运营的难题。本文遵循软件工程思想,对系统建设的流程进行严格把控,完成了地铁流量预测系统Web端和服务器的所有建设工作。首先通过需求分析归纳出了系统需求;随后开展系统概要设计工作,统筹总体架构和明确技术选型,划分出了若干功能模块,并完成了数据库、接口与界面的设计;紧接着又推进系统详细设计与实现工作,细致说明了算法模型的构建与前后端各模块的开发内容;最后针对系统功能和性能完成了测试工作。