Les possibilités offertes en termes de collecte et de stockage de données permettent de renouveler les approches de modélisation dans le domaine du transport. L'exploitation croisée de différentes sources de données a pour vocation la création de services à forte valeur ajoutée pour l'usager. Les travaux détaillées dans cet article portent sur le développement de modèles de prévision a base de méthodes d'apprentissage notamment profond, pour la prévision court-terme de la charge (nombre de passagers) des trains. Cette prévision de l'affluence dans les trains peut servir à enrichir l'information voyageur à destination des usagers des transports collectifs qui peuvent ainsi mieux planifier leur déplacement. Elle peut également servir aux opérateurs de transport pour une régulation "à la demande" de l'offre de transport. La principale difficulté dans la prévision est liée à la variabilité intrinsèque des séries temporelles des charges à prédire, induite par l'influence de plusieurs paramètres dont ceux liés à l'exploitation (horaire, retard, type de mission...) et au contexte (information calendaire, grand évènement, météo,...). Nous proposons un modèle LSTM encodeur-prédicteur pour résoudre cette tâche de prévision. Plusieurs expérimentations sont menées sur des données réelles du réseau Transilien de la SNCF sur une durée d'un an et demi. Les résultats de prévision sont détaillées en vue de comparer les performances d'un tel modèle à plusieurs horizons temporels avec celles d'autres modèles plus classiques utilisées en prévision.