城市的公共交通一直以来都是城市发展和建设的重要组成部分,对城市的经济发展和居民的日常生活具有重大的影响。但是随着私家车数量的不断增加,越来越多的城市面临着交通拥堵和交通污染的严峻形势。提高公共交通资源的利用率是缓解交通拥堵和交通污染的有效手段。公交客流预测是交通领域的一个热门研究方向,对该方向进行研究能为城市公共交通的运营管理和调度规划提供重要的信息,能帮助城市公共交通的相关部门制定合理的运营计划,提高公共交通资源的利用率,从而有效的缓解城市交通拥堵和交通污染。因此,公交客流预测的研究对城市公共交通的建设具有重要的意义。本文以一卡通的公交刷卡数据为主要信息,结合天气数据,首先对这两部分数据进行相关的预处理,随后从时间维度、人群维度和天气维度全面的分析了公交客流的分布和变化情况。从分析得出,公交客流存在以星期为单位的周期性变化规律,此外,时间维度对客流的影响比较大,同时天气因素对客流也存在一定的影响。由可视化分析的结果,本文从时间维度和天气维度这两个方面出发,构造了时间类特征、天气类特征和组合特征,并通过后向搜索的方法选取了最优的特征子集。本文从两种思路出发进行了模型预测的对比实验。第一种思路是将人群类型按卡类型分开建模然后叠加预测,第二种思路是不区分人群类型,整体建模预测。通过实验发现,整体建模效果要优于分开建模。随后,本文采用整体建模的思路分别建立了多元线性回归、随机森林和LightGBM模型对公交客流进行预测,其中LightGBM作为一种比较新的集成学习算法,还未曾应用在公交客流的预测上。通过实验对比发现,在三个单模型中,LightGBM模型的预测效果是最优的。在以往的公交客流预测研究中,大多数学者都是使用单模型进行预测,很少使用模型融合的方法。在本文最后,根据多元线性回归、随机森林和LightGBM这三种模型之间存在着一定的差异性,将这三个单模型进行了融合,实验结果表明,模型融合后的预测效果相比LightGBM模型有了进一步的提升。