现代城市公共交通已经成为城市居民主要的出行方式。深入理解公共交通系统内百万级别乘客的出行模式与其时空特征,是城市路网规划、应急管理、运营调度和公共服务的重要基石。当前,大部分关于城市通勤的研究仅着重于轨道交通系统或公交系统,针对单个数据源的分析不能客观反映整个城市通勤时空特征的全貌。本研究同时利用了两类数据源（公交和地铁两种票卡数据）,对深圳市公共交通系统进行了全链路的通勤分析。首先,针对数据存在的数据质量问题,提出了相应的数据质量提升和数据语义提升的方法。其次,通过时钟校准关联乘客公交拍卡数据和公交车辆GPS轨迹信息,推断乘客公交上车站点;利用出行链路假设和概率模型推断乘客公交下车站点。并结合乘客地铁的OD信息,判断了乘客公共交通出行的换乘行为和出行方式。然后,进一步研究了乘客不同出行模式的通勤时空特征、职住地分布,以及客流时空特征分布。最后,根据地铁进出站客流时空特征,分析并提取了进出站客流影响特征。特别地,对于出站客流预测,提出了一种基于时空因果关系特征的提取。搭建了基于长短期记忆（Long Short Term Memory,LSTM）的神经网络模型对轨道交通进出站客流在四个时间粒度（5min、10min、15min、30min）上进行了预测,并对比了ARIMA、BP、SVM模型的预测性能。本研究借助一个由16节点搭建的Spark集群,利用Spark技术和超大规模的真实交通数据集完成了上述实验。实验结果表明:（1）仅公交、仅地铁,以及组合方式的日均出行人次都达到百万级别。因此,单数据源无法反映城市居民整体通勤时空特征。具体来讲,90%的公交乘客、地铁乘客的通勤时间分别为38min内、50min内,通勤距离分别为12km内、18km内。90%的组合方式出行乘客,通勤时间约为95min,通勤距离约为20km。其次,中心区域的平均通勤时间和距离较短;外围区域平均通勤时间和距离偏长。（2）根据乘客通勤出行特点识别居民职住地分布,城市居民的工作地主要在南山、福田和罗湖等区域,居住地主要沿着轨道交通网络向宝安、龙华和龙岗区域延伸。（3）地铁站点客流在工作日分时客流有明显早晚高峰,周末分时客流较平缓;长时间跨度上,呈现以一星期为周期的周期性波动。站点大客流主要集中在商业中心区以及热点换乘站点;站点OD大客流集中在居住地和就业地、商业区和热点换乘站点之间。（4）基于历史时序特征的进站客流样本,LSTM模型预测效果最好,15min的进站客流精度达到了84%;基于历史时序特征的出站客流样本,LSTM模型比ARIMA模型预测效果好;基于因果时空特征的出站客流样本,LSTM模型比BP模型、SVM模型预测效果好,同时也优于基于历史时序特征的出站客流样本建立的LSTM模型,30min的出站客流预测精度达到了92%。