城市规模的日益扩大导致市民汽车保有量的持续增长,这将使交通拥堵问题日益凸显,发展城市公交系统成为缓解该问题的首选方式。基于公交运营数据的公交客流OD（Origin Destination）挖掘,即从公交运营数据中关联匹配出每位乘客的上下车记录,利用这些记录可分析出站点客流,向公交线路优化和调度等提供决策依据。利用挖掘出的公交OD进行客流分析及预测,是实现城市智能交通系统的关键,也是公共交通领域的研究热点之一。由于公交运营数据的数据量大、价值密度低,本文在设计公交OD挖掘方法时,重点考虑方法的挖掘效率和成功率,然后基于公交OD实现了客流的多角度分析和预测,主要工作和创新点如下:（1）针对公交OD挖掘技术难以部署应用、挖掘效率低的问题,基于裸金属架构虚拟化平台和大数据组件,构建公交大数据平台,并以此实现基本的公交OD挖掘方法。基于Hive的时空关系度量和资源导向的Hive调优,提高了公交OD挖掘的效率。在千万次刷卡记录中,以生产条件下可接受的离线耗时,成功挖掘千万条公交OD,这些结果可通过出行与吸引校验,说明该方法满足生产环境中离线挖掘公交OD的需求。（2）针对公交OD挖掘成功率不高的问题,首先基于时间阈值匹配上车站点,接着提出候选站点集,实现基于站点上客数的上车站点匹配、基于概率的下车站点预测,然后基于Hive UDF实现了候选站点集,结合Hive调优技术节省了UDF的资源消耗,并达到100%的O匹配率和99.6%的D预测率。最后实现了OD矩阵、断面客流量和站点累计客流量的可视化分析,并据此向公交管理机构提出合理的建议。（3）基于深度神经网络和ConvLSTM,提出了非对称上下文时空网络（Nonsymmetric Contextualized Spatial-Temporal Network,NSTN）用来构建公交OD预测模型,该模型包含站点空间上下文和时空上下文两部分,前者内置OD矩阵和DO矩阵间的非对称关系,使得预测向OD方向偏移,保证了模型的稳定性和预测精度,后者基于ConvLSTM实现基本的OD矩阵预测。在SMAPE与RMSE的衡量下,NSTN与其它5个模型相比精度最高。当数据集变为其它线路时,NSTN仍然能保持精确的预测能力,所预测的OD矩阵能通过出行与吸引校验,说明模型的泛化能力强,可用于公交领域在OD矩阵预测方面的实际需求。