城市公交系统作为城市交通运输系统中非常重要的一个子系统,其运行质量直接影响到城市居民的日常出行情况。在城市能源与土地资源紧缺的条件下,大力发展城市公交是方便居民出行、缓解城市交通拥堵最有效的途径之一。我国在城市公交的建立与完善上尽管都投入了大量的人力与物力,但是其仍难以满足城市化的巨大需求。近些年来,在一些城市,随着城市轨道交通的快速发展及诸多外界因素的影响,公交对出行乘客的吸引力逐渐下降,公交客流总体呈现逐年下滑的趋势,提升公交服务水平迫在眉睫。与此同时,随着近年来公交信息化水平的提升,公交IC卡刷卡数据的实时采集已经能够快速反映公交客流的当前状态,使得基于包含公交数据在内的多源数据融合的公交客流分析已成为可能。需要特别注意的是,本文中所使用的“公交”一词专指城市范围内的常规公共汽车。基于上述背景,为提高公交科学管理水平,提升公交服务质量,增强公交出行对乘客的吸引力,本文融合公交IC卡刷卡数据、公交线路数据、公交站点数据、公交日客流数据、天气数据、节假日数据、兴趣点（POI）数据、新冠肺炎疫情数据,从空间维度（全网、站点）与时间维度（短期、中期）等多个视角分析和研究公交客流,采用“分析—预测—预警”的思路展开研究,旨在为公交运营企业、规划部门与监管部门提供科学的依据。本文主要从以下四个方面进行研究并得出结论:（1）公交客流时空特征分析。在公交系统中,仍然存在着客流与公交运力不匹配等情况,从而导致公交服务质量下降、公交资源浪费、碳排放增加等问题。由于公交客流的时空特征分析可以帮助公交运营企业预测客流的汇聚程度,增强对公交需求的理解,平衡高峰与平峰时段的公交出行需求,降低客流不均衡系数,提高公交客流分担率,所以它成为了解决这些问题的重要手段之一。而现有对公交客流时空分布特征的研究,在结果的可解释性分析上明显不足,对决策的支撑不够充分。为帮助公交运营企业与规划部门从站点空间维度与短期时间维度挖掘和分析公交客流特征,本文设计了一种基于时间序列相似度计算的K-Means聚类与兴趣点验证模型（TSSC-KM-POI）,对公交客流时间序列进行聚类和可解释性分析。在实例分析中,该模型充分挖掘并分析了公交客流在时空维度下的分布规律,为公交运营企业与规划部门调整与优化公交线路站点提供了参考依据。（2）中期公交全网客流预测。中期规划是公交系统上层管理的一项必要且重要的工作,中期规划的制定离不开对中期公交客流的准确预测。然而,由于中期公交客流具有时间依赖性、周期性、复杂性、多样性等特点,公交运营企业与规划部门始终面临缺乏准确预测中期客流手段的问题。为帮助公交运营企业与规划部门从全网空间维度与中期时间维度精准预测公交客流,本文提出一种改进的基于局部加权回归季节趋势分解（STL）的长短期记忆（LSTM）预测模型（ISTL-LSTM）。该模型针对中期公交客流的特性,使用STL分解方法提取公交客流时间序列的趋势性和周期性,使用LSTM通过记忆历史信息的方式捕获未来客流与历史客流之间的中期依赖关系,并通过引入多个影响中期公交客流的因素来反映客流的复杂性和多样性。结果显示,与现有的基准方法相比,该模型的预测性能有较大提高,能为公交运营企业与规划部门的战略规划和运营管理提供宏观上的数据支持。（3）短期公交站点客流预测。在公交运营管理过程中,公交运营企业以人工调度为主进行运营调度,难以根据客流的实际动态变化进行实时调度。短期公交客流预测对公交行车时刻表的实时设定、人员与车辆调度都有重要的参考意义。但由于短期公交客流具有高非线性与不稳定性的特点,传统预测方法难以有效解决这些问题,导致它们对短期公交客流的预测性能较差。针对该问题,为帮助公交运营企业与监管部门从站点空间维度与短期时间维度预测公交客流,本文在多源数据的基础上提出了一种基于STL时序分解的岭回归堆叠泛化集成模型（STLRS）。实验结果表明,该模型具有更好的鲁棒性与准确性,可为准确预测短期公交站点客流提供参考与借鉴,为公交运营的实时调度与管理提供数据支持。（4）短期公交异常大客流预警。现有对短期公交客流预警的研究较为初步,预警方法均以直接对比预测值与真实值对未来异常大客流进行简单预警。为解决短期公交客流缺少完善的预警机制、警度与警限划分标准模糊、预警缺乏系统性定量分析方法等问题,帮助公交运营企业与监管部门从站点空间维度与短期时间维度及时有效地预警公交异常大客流,本文基于客流特征聚类、短期公交客流预测数据以及多源数据,使用集成学习进行分类预测,提出了短期公交异常大客流预警方法。实验结果表明,该方法有良好的预警效果,可辅助公交运营企业与监管部门实时掌握异常大客流的影响范围与态势发展,为其提供应急情况下的辅助调度和决策。