现有的汽车客运服务存在信息资源整合不完善,管理思想老旧等问题,导致客运服务不适应市场。乘客的出行受现有的城际汽车客运的局限性因素影响,致使其出行体验较差。汽运客车的订单调度方式直接影响客运服务的质量,当前的调度方式是采用多名调度人员人工调度,其调度方式需要投入大量的人力资源、时间成本高、调度效率低,同时还需要工作人员有较多订单调度经验,无法保证调度结果的准确性和合理性。在这样的形势下,如何提高汽运客车订单调度的效率,成为提升乘客服务体验的关键一环。实践证明,利用高效的智能调度算法可显著提升订单调度的质量,有利于改善用户体验,提高汽运公司的运营效率,使客运资源得以更加合理的利用。本文结合数据挖掘中的聚类分析方法和专家规则的组合优化方法,提出了汽车客运的一种智能调度算法。通过借鉴网约车平台的调度模式,把小巴车代替大巴车的出行模式融入汽车客运服务,对用户多样化的需求进行分析,建立合理的多维度(乘客人数、出发时间、发车点地址)车辆资源自动派单服务模型,主要包括增量调度和全局调度两个模块,分别实现对新进订单的预处理和订单组全局优化处理。根据订单的多维度属性和实际发车情况所设的约束条件,基于Canopy-Kmeans聚类算法对订单属性进行聚类,利用融合专家规则的组合优化方法对订单进行自动调度处理。首先使用Canopy算法对增量调度预处理过的订单数据进行“粗聚类”,所得结果作为Kmeans算法的初始聚类质心和簇数,然后通过K-means算法得到属性相近的订单组。最后利用实际发车约束条件对聚类结果进行处理,得到符合要求的智能调度结果。通过仿真分析,本文使用的Canopy-Kmeans算法比K-means算法选取初始聚类质心更准确,且聚类效果更好。智能调度与人工调度的对比结果显示智能调度算法在耗时、精度和经济效益上都优于人工调度,可以降低汽运运营成本,改善乘客出行体验。