为实现城市公共交通系统健康、可持续发展的目标,就需要持续不断地改进、完善城市公共交通系统,提升城市公交的服务水准,实现公交系统便捷、高效与舒适的服务水准。城市地面公交系统是城市公交系统的重要组成部分,大数据时代的到来为优化城市地面公交系统提供了新的思路。通过对海量、多源的公交运行时空大数据进行高效、准确的信息挖掘并做出及时、科学的运营决策成为“公交优先发展”战略下智慧公交系统建设所需要解决的关键问题。城市范围内遍布着大量的公交站点和运营线路,也存在着承担主要客流的客流走廊,能否借助公交时空大数据准确分析公交研究中的关键指标如:客流需求、车头时距,对于城市地面公交线网布局与重构、城市公共交通运营管理与调度控制、客流应急与保障具有关键意义。本论文首先以公交车辆运行大数据的预处理与分析为基础,建立公交多源数据分析系统的流程。接着基于公共交通大数据的时空特性,建立网格化公交时空数据的处理方法。然后在数据预处理与分析的基础上结合地面公交客流的时间、空间特征以及节假日、天气等影响因素,建立一种可以综合考虑以上因素的时空深度学习方法去预测城市地面公交时空客流。该方法将Conv-LSTM层、LSTM层和卷积层融合、堆叠,并使用了历史公交客流量刷卡数据、节假日和天气条件的数据。论文将该方法应用于常州地面公交系统的时空客流预测,并将该方法与ARIMA、DNN、CNN、LSTM、Conv-LSTM等预测方法进行基于RMSE和R~2为指标的实验结果比较。结果表明,该时空深度学习方法具有较好的预测性能,同时也证明了良好的客流预测模型需要同时考虑时间、空间和外生的依赖关系,才能获得较好的预测性能。接着论文针对城市地面公交客流走廊中存在的公交串车频发、乘客等待时间过长等实际问题,以及客流走廊在城市交通系统中的公交线路密集、服务层次复杂多样、客流集中运营现状。以优化公交调度系统、科学决策和提升公交服务水平为目标,开展客流走廊上地面公交车头时距的预测研究。论文基于GBRT算法的预测客流走廊车头时距,预测结果表明,在论文对比实验所提到的车头时距预测方案中,GBRT在鲁棒性和准确性等方面优于KNN,KF,ANN和LS-SVM算法。预测的公交车头时距信息可以帮助乘客更好地安排他们的旅行计划,以减少公交车站的等待时间。公交公司等公交运营管理部门可以基于预测的车头时距采用实时的控制策略,来保持稳定的公交车车头时距并提供实时车头时距信息。