公共交通客流预测对智能交通系统建设有重要作用,准确的客流预测是交通调度、交通规划和安全监测的前提,其预测还存在以下挑战:1)复杂的天气因素及日期特征对客流有一定影响;2)站点空间环境复杂,站点间的空间相关性受多重因素影响,如站点间距离、城市功能区分布等,随着时间的推移,这种相关性也在动态变化;3)交通流量的当前流量值与过去历史数据之间有复杂的时间相关性。因此对公共交通客流进行准确预测还存在一定难度。本文对城市公共交通客流预测技术展开研究。针对以上挑战,主要研究内容如下:（1）针对复杂的环境因素及空间、时间相关性,提出了基于动静结合的多图卷积时空注意力机制的客流预测算法（Dynamic-Static-based Spatiotemporal Multi-Graph Neural Networks for Passenger Flow Prediction Algorithm,DSSTMG）。首先,在进行图节点构建时将天气环境、日期因素设置为图节点的特征;其次,多角度挖掘了静态空间相关性,对相邻关系、站点功能区域相似性和地理距离三种静态空间关系进行图构建,通过多图融合图卷积提取多重空间静态相关性。接着挖掘空间动态相关性,通过计算站点在一段时间内客流向量之间的相似性,构建空间注意力机制,挖掘空间动态相关性;最后,针对时间相关性,利用短期历史数据,通过堆叠改进的循环神经网络进行建模并使用注意力机制对各历史时间步分配不同的权重。（2）基于上述研究内容（1）,我们考虑了不同时间段历史数据对流量预测的不同影响力,并自适应地挖掘了空间的隐层信息,从而提出了基于长短期自适应图学习的客流预测算法（ShortLong-term Adaptive Graph Learing Multi-graph Fusion Passenger Flow Prediction Algorithm,SLAGMF）。首先,以各站点短期历史记录构成的流量矩阵为变量,学习当前时段站点间的图结构,对人为定义的图结构进行空间隐层信息补充。利用滑动窗口技术,自适应图结构一直实时变化,由此自适应地捕获了空间动态相关性;接着,将自适应图结构与（1）中提出的DSSTMG中构建的三种静态图进行四图融合图卷积,提取空间特征;最后,联合利用长期、短期历史数据,通过改进的循环神经网络挖掘各站点流量的趋势性和周期性。（3）在真实的公交、地铁数据集上进行客流预测实验,验证了本文所提出的两个算法的有效性。在上述研究的基础上,设计并初步实现了公共交通客流预测分析系统。使用真实的公交和地铁数据对系统进行测试,结果表明,本文设计的公共交通客流预测分析方法能够有效的解决复杂城市环境下的客流预测问题。