充分挖掘地铁网络相关站点间客流的空间关联性对地铁客流预测精度的提升有积极作用。由于地铁各站点之间的空间相关性难以学习并传递，捕捉并量化客流数据的空间规律十分困难。提出一种改进的图卷积门控循环神经网络地铁客流预测模型，通过整合多元时空数据提升模型处理不同数据类型的能力，采用基于Tent混沌映射和莱维飞行扰动策略的蜘蛛黄蜂优化算法动态调整模型结构参数，以优化门控循环神经网络的隐层结构。实验结果表明，在工作日模型的预测精度明显高于周末，相较于周末，工作日的均方根误差、平均绝对误差、平均绝对百分误差分别降低了13个百分点、12个百分点、0.08个百分点。参数优化门控循环神经网络的隐层结构可以获得更好的收敛效果，预测精确度更高。