“公交优先”政策的提出缓解了交通拥堵、空气污染等问题。开展城市地面公交运行监测能及时发现公交运行问题,有利于提升公交吸引力,进而提高公交分担率。城市地面公交运行监测是一个复杂系统,其关键指标的确定是公交运行监测工作的基础,一方面可用于政府对公交运行的监管考核评价,另一方面可为后续公交运行监测工作做铺垫。目前公交行业实现了实时数据采集和存储,积累了海量的居民出行数据和公交运行数据,同时数据挖掘和机器学习算法适用于大规模数据处理和分析,为城市地面公交运行监测关键指标确定提供了数据和技术支撑。本文拟通过机器学习技术确定城市地面公交运行监测关键指标,解决现有城市地面公交运行监测效率低、效果差的问题。从乘客需求角度出发,基于客观出行数据和主观调查数据研究影响公交乘客出行选择的关键因素,确定城市地面公交运行监测关键指标。首先,在文献研究的基础上分析影响公交乘客出行选择的因素,形成公交运行监测初始指标集。根据数据来源将指标分为客观定量指标与主观定性指标,通过云模型将主观定性指标量化。随后,为更真实地刻画乘客的出行选择行为,引入累积前景理论模型,将各指标的实际值转化为基于乘客主观感知的累积前景值。接着,基于特征选择工程和机器学习研究乘客服务水平指标与公交区间均态客流间的关系,构建城市地面公交运行监测关键指标确定模型,选用序列后向选择算法搜索特征子集,选用广义回归神经网络的预测误差作为评价准则进行关键指标确定。最后,针对不同出行时段的场景展开模型应用,分别计算工作日早晚高峰和工作日平峰下城市地面公交运行监测关键指标。经检验,模型误差分别为0.0287和0.0339,表明构建的城市地面公交运行监测关键指标确定模型能够很好地解决问题。模型结果表明,工作日早晚高峰时段与平峰时段均需密切关注公交快捷性与可靠性方面的指标,高峰时段另需关注线路非直线系数和公交票价,平峰期间另需关注候车时间和舒适度指标。累积前景理论模型的应用能够在不降低模型准确率的基础上提高关键指标研究结果的可靠性,使得关键指标研究结果更贴近现实。本研究具有动态性和可扩展性,为城市地面公交运行监测研究增添了新内容,并且能够更有效地在实践中应用。关键指标研究结果不仅可以作为公交领域后续研究的基础,还可用于指导公交运营和政府监管实践,有利于提高公交分担率,缓解交通拥堵问题,具有一定的社会价值。