如今,各城市交通部门通过增添、调整公共交通线路等方式对公共交通系统的结构进行优化以应对日益增加的交通压力。为了有效地评估线网优化的效果,需要对乘客出行方式进行较为准确的预测。出行方式预测的传统方法是使用Logit模型及其改进模型,该方法存在个人信息数据较少、较难获取及难以刻画多变量之间非线性关系两个主要问题。对此,本文从海量的IC刷卡数据,提取出乘客历史出行记录。通过GPS数据、静态线路信息表等提取出不同出行起讫点（origin destination,OD）下的各种出行方式特征。通过发掘历史出行记录和出行方式特征之间的关联性,构建了乘客出行方式预测模型。具体研究内容如下:（1）提出了基于迁移学习的乘客出行方式预测模型。在常规公交和轨道交通发生共线时,共线站数的不同对乘客出行方式的选择存在影响。对此,本文依据共线站数的不同将出行OD进行分类,并采用了迁移学习的方法,利用辅助集的参数辅助目标集进行训练,提高乘客出行方式预测的精度。在厦门市乘客公交IC刷卡数据集上,验证了模型的有效性。（2）提出了基于深度语义模型的乘客出行方式预测模型。不同的乘客之间对出行方式的选择存在区别,需要通过乘客大量的历史出行记录学习不同乘客的选择偏好。对此,本文提出了基于深度语义模型的乘客出行方式预测模型,以乘客个体作为基本单位进行分析,利用深度学习对特征之间关系进行学习,同时利用深度语义模型对乘客特征和出行方式特征的交互关系进行学习。模型的输入端分为乘客输入特征和出行方式输入特征两部分,模型先分别对两部分输入进行特征提取,再对乘客特征与出行方式特征之间的交互关系进行学习。在厦门市乘客公交IC刷卡数据集和伦敦乘客出行调查数据集上,验证了模型的有效性。