乘客出行需求预测是智能交通系统的组成部分，准确的出行需求预测，对于车辆调度具有重要的意义；然而现有的预测方法无法准确的挖掘其潜在的时空相关性，且大都忽略历史流入量对出行需求的影响。为了进一步挖掘时空大数据中的时空特性及提升模型预测乘客出行需求的精度，本文提出了一种乘客出租出行需求短时预测CLAB(Conv-LSTM　Attention　BiLSTM)模型。CLAB模型设置了3个模块分别为基于注意力机制的Conv-LSTM模块和2个BiLSTM模块，基于注意力机制的Conv-LSTM模块提取临近时刻乘客出行需求量中的空间特征和短时时间特征，其中注意力机制能自动分配不同的权重来判别不同时间的需求量序列重要性；为了探索长期时间特征，用2个BiLSTM模块来提取历史流入量序列时间特征和日乘客需求量序列的时间特征。采用厦门岛的网约车和巡游车的订单数据进行实验，结果表明：(1)　CLAB模型更适用于使用30　min历史数据预测未来5　min短时乘客出行需求；(2)与基准预测模型相比，CLAB模型的整体的效果误差更低，具有更好的预测效果，CLAB模型比CNN-LSTM、LSTM、BiLSTM、CNN和Conv-LSTM的平均绝对误差（MAE）分别降低了33.179%、33.153%、33.204%、5.401%和5.914%，均方根误差（RMSE）分别降低了34.389%、34.423%、34.524%、6.772%和6.669%；(3)同时发现CLAB模型在规律性较高的工作日预测效果优于非工作日，且工作日早高峰预测效果最佳。