在我国交通领域,铁路运输一直占有重要地位。随着高铁建设的快速发展,八横八纵高速铁路路网的进一步完善,促进了铁路客运迅速增长。对铁路未来客运量的预测有助于对铁路进行合理的运营规划,从而促进铁路交通的健康稳定发展。目前铁路客运预测算法主要采用传统的统计学预测方法,对深度学习领域研究较少。对深度学习算法的研究也主要通过挖掘数据历史时间规律,而忽略了各省份空间上的关联关系。同时,铁路客运与经济等数据特征关系密切,影响因素多元复杂。本文针对上述问题开展了基于时空特征的铁路客运预测模型研究,具体研究内容如下:（1）针对铁路客运影响因子众多,现有影响因子间关联关系复杂,且影响因子具有可量化及不可量化的特点,通过充分分析影响因子与铁路客运量的关联关系,对影响因子进行分析选取用于后序预测模型的输入。首先采用定性分析法初步构建影响因子指标体系,然后采用定量分析法计算影响因子与客运量的关联度。使用基于关联度的特征选择算法对特征进行筛选。选取出的特征子集满足特征间关联度低,与客运量关联度高的要求。最后在铁路客运数据集上验证了特征选取的有效性。（2）针对铁路客运预测不仅与历史时间序列变化相关,各个省份的客运量在空间上也具有一定的相关性的问题,提出了基于多图卷积的多因子时空预测模型。首先对各省份的空间关系充分挖掘,通过构建多个空间特征图来获取省份间的空间关系。然后通过图卷积将时空特征进行融合。同时将分析选取的影响因子通过多层感知机与图卷积结果进行融合,从而得到最终预测结果,提升预测模型精度。最后在铁路客运数据集上对算法效果进行了分析验证。（3）针对现有铁路客运相关数据分散,查询工作量大,需要手动生成报表等问题开发了一套铁路交通客运可视化平台。该系统使用Vue结合Spring boot实现前后端分离开发,展现了铁路客运相关数据分析结果,集成了铁路客运预测模型算法。平台使用折线图、柱状图、表格等手段将数据可视化展示。