公交客流短时变化规律是一切公交运营规划的基础和前提,而目前公交企业普遍存在短时客流预测能力不足的问题。由于地面公交自身特性,使得公交客流更容易受到天气等外部条件的制约,具有很大的随机性和复杂性。随着城市信息化水平的发展,积累了海量的公交IC卡数据资产,同时深度学习预测方法在大规模数据分析方面,展现出高效、处理能力强等优势,这为公交客流规律分析与短时公交客流精准预测提供了数据和技术支撑。本文利用数据挖掘分析和深度学习预测方法,建立了公交客流分析体系和短时公交客流预测模型。首先,对公交IC卡数据、天气数据、线路数据、站点数据等单数据集进行数据的清洗、变换,将其融合成统一的多维数据集,作为后续客流规律分析的数据来源。其次,利用数据挖掘的方法构建公交客流分析体系,从不同维度来分析公交客流关键影响因素和公交客流分布特征,为短时公交客流预测模型的建立提供参数选择依据。接着,以西单区域站点客流和300路快内环公交线路客流为预测对象,5分钟、10分钟、15分钟为预测时间粒度,利用深度学习的时间序列预测方法——DBN、LSTM、GRU,构建短时公交客流预测模型,比较三种预测模型针对不同预测对象、不同时间粒度的适用性,以及不同网络结构的预测模型在短时公交客流预测性能上的差异。结果表明:在短时公交客流预测中,GRU较DBN和LSTM预测性能更好,并且针对西单区域站点客流,最优预测时间粒度为10分钟;针对300路快内环公交线路客流,最优预测时间粒度为15分钟。最后,分析了公交客流分布特征和短时公交客流预测结果在公交运营调度、城市公交规划、公共交通接驳、乘客出行等方面的应用。