公共交通是城市交通系统的基础，先进的公共交通系统对于控制城市交通总量、减少个体交通方式所占比例、提升公共交通在整个城市交通体系的地位具有深远意义。然而，由于无法准确掌握乘客流量的实时变化，公共交通行业普遍面临着管控不足这一问题。公共交通客流量的动态变化往往表现出复杂的时变非线性特征，而捕捉站点或线路间隐藏的时空间依赖关系是实现客流量准确预测的关键技术。

根据公共交通行业机构积累的海量刷卡数据，本论文旨在以图神经网络为基础，结合循环神经网络、注意力机制等方法，构造公共交通客流量预测网络框架并研究其训练算法，以此挖掘出公共交通复杂路网下乘客流量的时空变化特征，提升客流量预测的准确性，为公共交通行业的实时管理与有效决策提供可靠依据。本文主要工作如下：

1. 公共交通数据获取及时空特征分析。实际公共交通客流数据往往由多个部分组成，且来自不同的数据管理平台。以苏州市公交数据为例，它包括 IC 卡数据、公交车 GPS 轨迹数据、车站信息、天气信息等多源数据，难以被直接利用。本文通过对数据进行预处理，从中提取出有效信息，以此构建可用于神经网络训练的统一数据集。另一方面，本文对客流数据的时空间特征及未来客流的影响因素进行了细致地可视化分析，以直观理解公共交通系统下城市居民的出行规律，为构建有效的公共交通客流量预测模型提供基础。

2. 基于分时图卷积和注意力机制的公共交通客流预测方法研究。城市公共交通路网结构往往是复杂且不规则的，而传统卷积网络无法有效地对这种非欧结构建模，此外，受到人们日常生活的影响，各节点的实际联系往往会随着时间的推移而表现出较大的差异。本文提出了一种分时图卷积方法，来挖掘节点间的空间依赖关系。该方法构建多个不同时段下的关系图，根据数据所在时段选择对应的邻接关系，并通过图卷积网络来提取数据的空间特征。另一方面，对于循环神经网络得到的时间特征，其重要程度的不均衡性会阻碍网络对时间特征的提取。本文使用一种通道注意力机制来调整特征的权重，以获取不同时间特征实时、有效的向量表示。在多个公共交通数据集取得的实验结果表明，本文所提出的预测网络模型可以有效挖掘公共交通系统下各节点的复杂时空间依赖关系，提升城市公共交通客流量预测的准确性。

3. 基于自适应图学习的公共交通客流预测方法研究。尽管图卷积网络能够对各站点或线路的空间依赖关系进行建模，但对于实际城市交通系统而言，这种邻接关系往往是不明确的。预定义的路网结构并不能充分地表达站点或线路间的隐藏联系，这导致模型的预测性能无法得到进一步提升。本文提出了一种基于期望最大化的自适应图学习算法，从城市公共交通客流数据中自适应学习其隐藏的复杂空间依赖关系。它首先构造一种图学习模块来生成可能的关系矩阵，然后以交替训练的方式来优化图学习模块和预测网络模块的可学习参数，在以一方为最优估计的情况下实现另一方的期望最大化。实验结果表明，该算法不仅能够进一步提升客流量预测的准确性，还可以有效挖掘出节点间的潜在空间关系。