La predicción precisa y oportuna del flujo de pasajeros es importante para la implementación exitosa de la operación inteligente del tránsito ferroviario. El Algoritmo de Búsqueda de Gorrión (SSA) se ha aplicado a la optimización de parámetros de un modelo de Memoria a Corto y Largo Plazo (LSTM). Para resolver las debilidades inherentes de SSA, este documento propone un modelo mejorado SSA-LSTM con estrategias de optimización que incluyen Mapa de Tienda y Vuelo de Levy para practicar la predicción a corto plazo del flujo de pasajeros que abordan en estaciones de tránsito ferroviario. Dirigido al flujo de pasajeros en cuatro estaciones de tránsito ferroviario en Nanjing, China, se encontró que el día de la semana y la lluvia son los factores influyentes con la correlación más alta. Sobre esta base, aplicamos el propuesto SSA-LSTM y cuatro modelos de referencia para realizar la predicción a corto plazo, y llevamos a cabo experimentos de predicción con diferentes granularidades de tiempo. Según los resultados experimentales, el modelo propuesto SSA-LSTM tiene un rendimiento más efectivo que el método de Regresión de Vector de Soporte (SVR), el modelo de Reforzamiento de Gradiente Extremo (XGBoost), el modelo LSTM tradicional y el modelo LSTM mejorado con el Algoritmo de Optimización de Ballenas (WOA-LSTM) en la predicción del flujo de pasajeros. Además, para la mayoría de las estaciones, la precisión de predicción del modelo propuesto SSA-LSTM es mayor con una granularidad de tiempo mayor, pero aún hay excepciones.