智能交通系统(intelligent transportation system,ITS)不仅需要合理的公交线网规划,还需要对公交客流进行精准的、实时的预测,适时对公交运营调度进行调整和优化,为市民提供实时、准确、有效的公交出行服务,实现公交资源动态配置优化,节约市民出行时间,有效缓解交通拥堵,从而达到绿色环保出行的目的。短时公交站点客流预测是调整公交发车频率,优化公交调度资源的重要依据。而公交调度是一类复杂的组合优化问题,需要对客流量、发车间隔、到站时间、停靠时间、公交车投放数量进行整体优化。针对这些问题,主要围绕公交公司的运营成本与乘客的满意度为主要指标,通过对调度优化模型的训练,实现无监督学习的实时公交动态调度,提升公交的整体服务水平。因此,研究公交短时客流预测、公交到站时间预测和公交动态调度具有重要的现实意义。针对城市公交客流存在随机性、时变性和不确定性的问题,提出了基于无监督特征学习理论和改进卷积神经网络的短时公交站点客流预测,为市民提供实时、准确、有效的公交出行服务。为了防止和减少过拟合的出现,运用改进的卷积神经网络预测训练方法构造一个高效高可信度的模型预测系统,在训练过程中,使用Adam算法的优化器对模型进行优化,更新网络模型参数,为自适应性学习率设置不同的参数。利用公交客流算法模型对广州实际公交站点的客流进行预测,该模型预测精度更准确、可靠性更高,说明本文所提出的方法预测误差更小,实例证明改进的模型和算法具有实用性、可靠性。通过实时提供公交车辆到站时间,有利于出行决策,可合理选择乘坐公交,缓解公交车辆的拥挤程度,是未来智能公交到站时间预测重要的研究方向。以预测的公交到站时间为基础,可以合理调整公交车辆的运营调度,提升公交运营管理水平。针对预测的精度和效果进行了比较和评价,基于聚类分析的曲线匹配预测模型相比曲线匹配预测模型,公交到站时间的预测精度更高、效果更好,减少了乘客候车时间,提高了公交调度运营效率。实验结果表明,该模型能较好地满足预测所需要的精度和实时性要求。通过对公交发车准点率、公交停站时间、公交到站时间间隔进行评价分析,这三项指标在高峰时段明显降低,在公交车辆实际运行过程中,由于道路交通状况的复杂性以及公交客流存在随机性、时变性和不确定性等原因,公交车辆不可能完全按照行车计划、车辆调度计划行进,导致了公交断班问题的发生。本文提出了无监督学习的实时公交动态调度方法,正是为了解决公交断班问题,确保公交按照行车计划、车辆调度计划执行,提升公交调度发班质量与运行效率。因此,公交发车准点率、公交停站时间、公交到站时间间隔是公交调度的基础,这三种评价结果是制定公交调度排班计划的重要保障,是建立公交调度模型、优化公交调度方案的重要依据。针对广州智能公交调度的优化问题,提出了基于无监督学习的实时公交动态调度算法应用到该问题中,结合乘客利益和公交公司利益总体最优为目标,通过无监督学习的方法对公交客流出行特征表达进行提取,利用吸引子传播聚类算法的优化数据集与支持向量机的训练样本集相结合建立预测模型训练,运用公交线网发车间隔和加权系数的目标函数优化调度模型,将多源信息融合及多策略的实时公交动态调度算法引入到求解模型中,实现调度优化模型的实时调整。通过实例证明模型和算法具有实用性和可靠性。本文是在智能交通云服务平台的基础上,运用机器学习关键技术,实现智能公交客流预测、公交动态调度,并与智能交通系统进行对接。以Cloudstack构建智能交通云计算基础设施平台,具备良好的资源伸缩特性,提供云主机服务和弹性块存储服务。提供不同资源配置的云主机,同时提供云主机之间私有互联;提供各种配置大小的弹性块存储,满足对公交客流、公交调度数据存放的需求。提供云主机服务,其上层可以运行各种各样的应用;由于提供弹性块存储服务,其上层可以根据需求分配不同容量的存储服务。通过上述研究,公交短时客流预测、公交到站时间预测与公交动态调度的内在作用机理复杂,本文建立的模型旨在提高系统的性能和运行效率,提高公交线性规划、公交动态调度设计及运行方案的科学性,为解决重大工程应用领域中的交通拥堵、出行难问题提供理论指导和数据支撑。