利用大数据解决交通问题已成为智能交通研究领域至关重要的研究任务之一。作为智能交通系统重要组成部分的智能公交系统（Advanced Public Transportation System,APTS）,不但能够提供公交系统的控制管理服务,还可以产生并记录大量公交乘客出行信息数据,此特点为下车站点判断方法的研究提供了可靠的数据支持。鉴于我国绝大部分城市公交系统为一票制线路,其并不能直接得到各个乘客的下车站点数据,纵观当前对于下车站点判断方法的研究可以看出,现有方法只能推算出部分乘客的下车站点——利用出行链法对下车站点进行判断时,该方法只能利用单日出行次数为2次及以上的乘车记录数据进行下车站点判断,此局限性会导致部分出行无法被判断,出行模式法也存在类似情况,因此对下车站点进行判断成为绝大部分城市深入应用公交大数据的制约问题。随着人工智能技术的高速发展,基于人类在空间运动模式上具有的有界性、周期性、规则性等特征,结合我国绝大部分城市公交系统的发展情况以及现有研究方法的局限性,本论文提出通过出行链法得到每日部分公交卡乘客的下车站点数据,并利用深度学习算法,对公交卡乘客出行行为进行高维特征值的捕捉,得出个体出行规律,从而对下车站点进行预测,并与出行链法的判断结果进行比较,以一致率作为模型的主要评价指标,进而确定预测精度的研究思路。为保证模型的准确度,本文从时间、空间这两个维度出发,对公交乘客连续一周的出行行为进行可视化分析,为模型特征值的提取打下了良好的基础。在此基础上,本论文提出了全面且严谨的模型构建流程,并将该结果与出行链法的推算结果相比较,其一致率高达82.02%,模型预测精度为91.13%。除此之外,本文根据公交乘客的出行频次以及出行时间的不同,利用模型对指定情况下的下车站点进行预测——通过将出行频次的不同情况可视化,其呈现的不同格网密度以及对应的一致率结果可以全面反映出乘客个体出行行为的规律性。