随着城市经济的快速发展,城市交通拥堵情况日益加重,优先发展公共交通被认为是缓解交通拥堵问题的关键。先进的旅行者信息系统可以为旅行者提供多模式的交通路径规划,以鼓励用户使用公共交通。具有环保节能、可达性高、自主灵活等优点的公共自行车为城市提供了绿色的备用出行解决方案,以提高公交线网的运行效率,缓解道路的拥堵情况。然而,现有的系统尚未完全纳入公共自行车系统,到站时间不准及公共自行车站点满站和空站等多模式交通网络的不确定性使得准确估计行程时间具有一定的挑战性。因此本文基于海量的公共交通历史数据,通过数据分析和机器学习技术,挖掘公共交通网络中的动态参数,对交通不确定性进行刻画。接着构建了随机的包含公共自行车的多模式交通网络,并基于该网络利用多准则路径规划算法向用户提供最优路径推荐,以减少用户出行时间、提高行程可靠性。具体贡献如下:首先,针对交通随机性问题,提出了一个用于对公共交通不确定性建模的一般框架,采用K均值算法和统计方法对其参数进行求取,并对自行车站点的库存分布与可借性和可还性进行挖掘。其次,结合时变网络和时扩网络引入有向多边图从而构建了随机、时间-事件依赖的交通网络。扩展了传统的多模式网络,将公共自行车服务融合到传统的网络中,简化了网络复杂度。最后提出了一个多准则的实时路线规划算法,可以解决不同交通方式之间的行程时间聚合问题,并同时对路径的行程时间、可靠性和换乘次数进行了优化。基于伦敦的海量历史数据对系统进行评估,结果表明本文的系统在行程时间、行程可靠性和行程时间预测准确性等方面与常见的路径规划系统相比有较大提高。