优先发展公共交通是解决大、中城市交通问题的有效措施之一。面对严峻的城市交通问题,交通运输部启动了公交都市建设示范工程,确定北京、济南等十五个城市为公交都市建设示范工程第一批创建城市。在这一大的背景下,为实现公交系统的高效运行,需要做许多方面的努力,其中关键之一是提高公交线路运营管理水平。公交客流分析与预测,尤其是动态公交客流分析与预测是实现公交调度优化的基础。只有对短时公交客流做出全面的分析与准确的预测,才能够掌握公交线路的实时运行状况,使得管理者能针对客流短期的波动情况做出快速响应,有效调整运营调度方案,做到真正意义上的实时调度,从而最大化企业的经济效益与社会效益。传统的公交客流数据采集方法已经无法满足当前系统对数据实时性的要求,因此本研究设计构架了一种公交客流实时采集系统,将IC卡系统实时采集的客流数据以及投币检测数据与GPS数据相融合,利用GPS数据的实时上传特性,将客流数据与定位数据实时上传到调度中心,并结合人工调查得到的刷卡比例,可实时推算获得站点、线路和线网的上车客流数据。在客流实时采集的基础上,通过对已有IC卡数据和GPS数据的挖掘分析,对公交客流的出行特征进行分析。分别研究了在完全数据环境下和部分数据环境下公交客流上下车站点的确定方法,又进一步对换乘判断、公交客流的时间、动态分布特性以及短时公交客流特性进行研究,分析公交客流在工作日、周末以及一月内的变化规律,并对公交客流的一天内时间分布不均匀性、方向不均匀性以及星期变动特性进行了定量分析。研究确定了采用传统BP神经网络模型、改进的BP神经网络模型和RBF神经网络模型分别对短时公交客流进行预测并做出评价。在短时公交客流特性分析的基础上确定了相邻时段客流数据、相邻天相同时段客流数据和相邻周相同时段客流数据作为模型的输入,并研究确定了BP神经网络模型输入层和隐藏层的神经元数目。利用已有的且整理好的IC卡数据分别对三种网络模型进行训练和预测,对各模型的预测结果进行分析和评价,预测结果表明,改进的BP模型和RBF模型的预测精度都要比传统的BP模型有所提高。