La predicción precisa de la demanda de servicios de transporte de automóviles en línea juega un papel cada vez más importante en la programación en tiempo real y la fijación dinámica de precios. La mayoría de los estudios han encontrado que la demanda de servicios de transporte de automóviles en línea está altamente correlacionada con las distribuciones temporales y espaciales de los viajes. Sin embargo, la importancia de las secuencias temporales y espaciales no se distingue en el contexto de buscar mejorar la predicción, cuando, de hecho, diferentes series de tiempo y secuencias espaciales tienen diferentes impactos en la distribución de la demanda y la oferta de servicios de transporte de automóviles en línea. Para predecir con precisión la demanda a corto plazo de servicios de transporte de automóviles en línea en diferentes regiones de una ciudad, se construyó un modelo combinado de LSTM basado en atención (LSTM + Atención) para pronósticos mediante la extracción de características temporales, espaciales y meteorológicas. Significativamente, se utiliza un mecanismo de atención para distinguir las series temporales y secuencias espaciales de los datos de pedido. Los datos de pedido en la ciudad de Haikou se recopilaron como conjuntos de datos de entrenamiento y prueba. En comparación con otros modelos de pronóstico (GBDT, BPNN, RNN y LSTM único), los resultados muestran que el modelo de pronóstico de demanda a corto plazo LSTM + Atención supera a otros modelos. Los resultados verifican que el modelo propuesto puede respaldar la programación avanzada y la fijación dinámica de precios para los servicios de transporte de automóviles en línea.