随着智能交通系统（ITS）的快速发展，交通数据的采集、分析和预测在道路交通规划和车辆的运营与调度中占有越来越重要的地位，但是现在大部分城市中的公共交通系统采用的仍是一票制刷卡方案，即乘客在上车时刷卡，下车时不必刷卡，因此难以直接获得乘客的完整出行OD(Origin-Destination)。另外现有的一些研究成果没有考虑乘客在轨道交通和公交之间的换乘行为对客流OD推断的影响，造成推断准确率不高。在公共交通站点客流预测中，现有的方法也往往忽略了站点客流的周期性特征和交通图数据的时空特征和相关性。针对以上问题，本文分别提出基于出行链-吸引权的公共交通客流OD推断方法和基于周期组件的时空图卷积神经网络预测模型（Periodic ST-GCN）。本文的工作主要包括以下三部分：
　　①在公共交通客流OD推断中，本文提出基于出行链-吸引权的客流OD推断模型。此模型结合全部公交和轨道交通刷卡数据对全网客流OD进行推断。在出行链法中，本文考虑了乘客在公交和轨道交通之间的换乘行为，使用出行链法即可推断出全天60%以上的客流数据，从而得出更准确的客流OD推断结果；在基于出行链OD的站点吸引权法中，本文以出行链法推断出的近10天日期属性相同的历史OD数据对乘客可能的下车站点进行预测，另外本文以基于POI(Point of Interest)和站点换乘能力的站点吸引权法作为客流OD的补充推断，既考虑了站点周围环境对乘客的吸引度和站点的换乘能力，也提高了下车站点推断的匹配率。通过与实际调查结果比较发现本文客流OD推断结果的准确率在90%以上；
　　②在公共交通站点客流预测中，本文提出Periodic ST-GCN来对交通站点的客流进行预测。该模型不但利用两个门控时间卷积层和一个空间图卷积层组成的“三明治”结构来设计时空卷积块，捕获了交通数据的时空特征，而且通过邻近时段、日周期和周周期组件有效地考虑了公共交通站点客流的周期性规律；另外，由于空间维图卷积层采用的是纯卷积运算，使得Periodic ST-GCN的训练参数更少，收敛速度更快。通过对重庆市公共交通站点客流OD的预测实验，发现Periodic ST-GCN在平均绝对误差和均方误差两种评价指标上取得更优异的结果；
　　③利用Unity平台实现重庆市公共交通客流OD可视化系统。本文不仅基于计算的客流OD对公交站点、轨道交通站点和轨道交通线路进行拥挤程度分析，而且还对轨道交通在不同时间段的发车策略做出调整。