智能公交调度对提高乘客出行效率和公交服务水平具有重要意义,实时客流数据是公交调度的核心依据。本课题依托于企事业单位委托项目“面向运行监测的公共交通大数据分析技术与应用研究”,对提供的海量公共交通数据进行挖掘,通过识别乘客上下站点、短时客流预测以掌握客流变化情况,并在此基础上完成公交调度优化模型研究。在乘客上下站点识别方面,针对“一票制”公交IC卡系统缺少乘客上下车站点信息的问题,本文融合公交车GPS数据和IC卡刷卡数据,给出一种基于时空匹配的公交乘客上车站点识别方法,识别准确率达到98.7%;针对现有下车站点识别方法中,基于出行链理论的方法识别率易受出行链断裂影响,基于站点下车概率的方法依赖主观因素等问题,本文提出一种基于历史出行特征的乘客下车站点识别方法,识别准确率较高,符合应用要求。在短时客流预测方面,根据短时公交客流既具有周期性、趋势性,又具有较强随机性的特点,提出一种基于奇异谱分析和自回归移动平均模型的短时客流预测方法,实验结果表明该方法预测精度高于BP神经网络、支持向量机等传统方法,且预测结果偏离度小,运行时间短,便于大规模应用。在公交调度优化模型方面,本文首先根据历史客流数据确定了公交车辆分时段的发车间隔,然后基于短时客流预测结果判断线路客流异常情况,以乘客出行成本最小和公交运营成本最小为目标,建立公交跨站调度优化模型,并给出一种改进的NSGA-Ⅱ求解算法。算法中引入被支配度的概念,对NSGA-Ⅱ的精英策略进行改进,提高种群中个体分布均匀性,加入可行解判别函数,输出最优折中解。本文以重庆市346路公交车上行方向对公交调度优化模型进行了实例分析,结果表明优化方案能降低约6.6%的乘客出行成本,具有较高的实用价值。目前研究成果已集成到合作单位的交通综合运行监测平台,并取得了良好的应用效果。