En los últimos años, con el rápido desarrollo de la demanda global y la escala para la utilización del espacio profundo subterráneo, el espacio profundo ha pasado gradualmente de usos de un solo propósito como el transporte subterráneo, la defensa civil y el comercio, a un ecosistema subterráneo integral, habitable y resistente a desastres. Este cambio ha generado una mayor atención a la seguridad del flujo de personal en espacios profundos. Al abordar los desafíos en la predicción del flujo de pasajeros en el espacio profundo, como patrones de flujo irregulares, aumentos en condiciones extremas, grandes dimensiones de datos y características redundantes que complican el modelo, este documento propone un modelo de predicción de flujo de pasajeros en el espacio profundo que integra una Red Convolucional Temporal (TCN) y una red de Memoria a Corto y Largo Plazo (LSTM). El modelo primero emplea una estructura de red LSTM de dos capas con una capa de Dropout para capturar dinámicas temporales complejas y prevenir el sobreajuste. Luego, se introduce un mecanismo de Autoatención y una red TCN para reducir datos de características redundantes y mejorar el rendimiento y la velocidad del modelo. Finalmente, se utiliza el algoritmo de Optimización de Ballenas Beluga (BWO) para optimizar hiperparámetros, mejorando aún más la precisión de predicción de la red. Los resultados experimentales demuestran que el modelo BWO-TCLS-Self-Attention propuesto en este documento logra un valor de R2 del 96.94%, con valores de MAE y RMSE de 118.464 y 218.118, respectivamente. En comparación con algunos modelos de predicción convencionales, el valor de R2 ha aumentado, mientras que tanto los valores de MAE como de RMSE han disminuido, lo que indica su capacidad para predecir con precisión el flujo de pasajeros en espacios subterráneos profundos.