随着我国经济的快速发展、城市化进程的不断推进,城市道路建设已不能满足日益增长的交通需求,交通拥堵、空气污染、城市道路破坏等问题越来越严重。在此背景下,国家交通部门制定了优先发展公共交通政策,鼓励城市居民乘坐公交工具出行,以期缓解城市交通出行的压力。短时公交客流预测研究是城市交通领域中重要的方向,能够提升城市公交营运效率,帮助优化公交线路安排,给城市居民的公交出行提供便利,能大力促进城市的公共交通发展。本文在对现有国内外客流预测研究方法进行总结归纳的基础上,针对当前客流预测方法中存在的不足,结合深度神经网络能够挖掘海量数据中内在特征与规律的特点,提出来基于图卷积神经网络（GCN）和长短时神经网络（LSTM）的组合预测模型,进一步提高短时公交客流预测精度。主要工作如下:（1）数据处理及特征分析。对广州公交一卡通刷卡数据、车辆GPS数据及天气数据进行数据清洗和归一化处理,并进行公交上下车站点的判别,作为后续客流特征分析的数据基础。结合数据分析方法从时间和空间两个维度分析公交客流数据中的时空变化规律,随后选择10min为时间粒度进行时间间隔划分,并对客流特征进行构建。（2）构建基于LSTM的短时公交客流预测模型。从公交客流时间维度变化规律去预测未来的短时客流,将历史公交客流数据进行映射,获取一维时序数据,并划分为训练集和测试集,通过参数设置、迭代训练来进行模型调优,对广州公交工作日和非工作日客流进行短时预测,并对结果进行可视化展示。（3）构建基于GCN-LSTM的短时公交客流预测模型。从时间和空间两个维度变化规律预测短时客流,通过长短时神经网络提取公交客流数据中的时间特征,利用图卷积神经网络挖掘公交线路网络的空间依赖性,在此基础上对广州公交工作日和非工作日客流进行短时预测,并对结果作可视化展示。最后通过与常用的客流预测模型进行对比实验,发现GCN-LSTM模型的平均绝对百分比误差（MAPE）最低,工作日和非工作日误差分别为10.1252%、12.1432%,证明了本文所提模型具有较好的预测效果。