Efficient public transportation is crucial for reducing traffic congestion, cutting carbon emissions, and ensuring fair access to jobs and services. With modern technology, we now have access to large amounts of public transport data, including passenger movements, vehicle trajectories, and other sensor-generated information. The knowledge hidden behind this data has significant potential to enhance transportation planning, operations, and control. However, effectively representing and organizing, as well as extracting useful information from such data to address public transportation issues remains challenging.  

Graphical models have gained significant attention for their strengths in data representation, knowledge interconnection, and complex structure visualization. Notably, knowledge graphs and causal graphs are two distinct types of graphical models and are widely applied in various domains (e.g., social network analysis, drug discovery, and recommendation systems, etc.). Knowledge graphs are good at organizing and connecting massive amounts of data and knowledge, revealing complex relationships, and enabling knowledge mining and inference (answering `what' and `how' questions). Causal graphs are powerful for identifying and analyzing causal relationships, allowing for a deeper understanding of the underlying mechanisms that drive observed data patterns  (answering `why' questions). 

Specifically, the thesis aims to propose two data-driven graphical models (i.e., the knowledge graph and causal graph) and explore their application scenarios in public transportation. It constructs a mobility knowledge graph to represent and organize mobility data, mine travel patterns between stations, and validate its value in trip destination inference and user-station attention estimation. Then, to gain a deeper understanding of transportation operations, the thesis develops causal discovery models for static data to infer causal relationships and generate causal graphs to analyse the variables causing bus delays. Based on the causal graph, it quantifies the contribution of each variable while considering the causal relationships to support the development of target strategies to mitigate delays. Additionally, the thesis also develops a time series causal discovery model to understand bus delay propagation patterns and effects within the public transportation system from a system perspective.

Papers I and II focus on data organization and knowledge inference, construct a mobility knowledge graph (MKG), and explore its applications in public transportation. Paper I introduces the concept of MKG and proposes a framework for constructing it from smart card data by capturing spatiotemporal travel patterns between stations using both rule-based and neural network-based decomposition methods. It validates the MKG framework and demonstrates its value in inferring trip destinations using only tap-in records. Paper II explores another transportation application, proposing a method to estimate the `real' user-station attention from partially observed station visit counts data. It utilizes the MKG to capture latent spatiotemporal travel dependencies between stations to enhance the estimation process by addressing missing values and cold start problems. The framework is validated with both synthetic and real-world data, demonstrating the value of MKG in user-station attention estimation.

Papers IV-VI focus on the research of causal graphs and their applications in public transportation. Before conducting the causal analysis for bus delay, Paper III conducts an empirical study examining the heterogeneous effects of various factors on bus arrival delays. Paper IV focuses on the operational variables and develops causal discovery methods for static data to analyse the variables causing bus delays and evaluate their performance from statistical data fitting and causality interpretation perspectives. It identifies the optimal causal discovery method for analysing the causes of bus delays. Further, based on the causal graph generated in Paper IV, Paper V develops a causality-based Shapley value approach to quantify the contribution of each variable to bus delays to support efficient transportation decision-making. The results are cross-validated with the conventional model (e.g., regression models) to reveal the difference between correlation-based and causality-based analysis approaches. Moreover, Paper VI develops a time series causal discovery model to infer causal relationships between bus stops and generate the spatiotemporal delay propagation causal graph from time series bus stop delay data. Then, it incorporates complex network theory to analyse the bus delay propagation patterns and effects within the public transportation system. 

Effektiv kollektivtrafik är avgörande för att minska trängsel, minska koldioxidutsläppen och säkerställa rättvis tillgång till jobb och tjänster. Med modern teknik har vi nu tillgång till stora mängder kollektivtrafikdata, inklusive passagerarrörelser, fordonsrörelser och sensorgenererad information. Den kunskap som döljs bakom dessa data har stor potential att förbättra transportplanering, drift och styrning. Att effektivt representera och organisera, samt att extrahera användbar information från sådan data för att ta itu med kollektivtrafikproblem är fortfarande en utmaning. 

Grafiska modeller har fått stor uppmärksamhet för sina styrkor inom datarepresentation, kunskapssammankoppling och visualisering av komplexa strukturer. Kunskapsgrafer och kausala grafer är två distinkta typer av grafiska modeller och allmänt tillämpade inom olika domäner (t.ex. sociala nätverksanalyser, läkemedelsutveckling och rekommendationssystem, etc.). Kunskapsgrafer är bra på att organisera och koppla samman enorma mängder data och kunskap, avslöja komplexa samband och möjliggöra kunskapsutvinning och inferens (svara på "vad" och "hur"-frågor). Kausala grafer är kraftfulla för att identifiera och analysera orsakssamband, vilket möjliggör en djupare förståelse av de underliggande mekanismerna som driver observerade datamönster (svara på "varför"-frågor). 

Specifikt syftar avhandlingen till att föreslå två datadrivna grafiska modeller (d.v.s. kunskapsgrafen och kausalgrafen) och utforskar deras tillämpningsscenarier i kollektivtrafiken. Den konstruerar en mobilitetskunskapsgraf för att representera och organisera mobilitetsdata, bryta färdmönster mellan stationer och validera dess värde i slutledning av resemål och uppskattning av användarstations uppmärksamhet. Sedan, för att få en djupare förståelse av transportoperationer, utvecklar avhandlingen kausala upptäcktsmodeller för statisk data för att sluta sig till orsakssamband och generera kausala grafer för att analysera variablerna som orsakar bussförseningar. Baserat på kausalgrafen kvantifierar den bidraget från varje variabel samtidigt som orsakssambanden beaktas för att stödja utvecklingen av målstrategier för att mildra förseningar. Dessutom utvecklar avhandlingen också en tidsseriemodell för orsaksupptäckt för att förstå bussfördröjningsutbredningsmönster och effekter inom kollektivtrafiksystemet ur ett systemperspektiv.

Paper I och II fokuserar på dataorganisation och kunskapsinferens, och konstruerar en mobilitetskunskapsgraf (MKG) och utforskar dess tillämpningar i kollektivtrafik. Artikel I introducerar konceptet MKG och föreslår ett ramverk för att konstruera det från smartkortdata genom att fånga spatiotemporala färdmönster mellan stationer med både regelbaserade och neurala nätverksbaserade nedbrytningsmetoder. Det validerar MKG-ramverket och demonstrerar dess värde i att sluta resmål med hjälp av enbart tap-in-poster. Paper II utforskar en annan transportapplikation, och föreslår en metod för att uppskatta den "riktiga" användarstationens uppmärksamhet från delvis observerade stationsbesöksdata. Den använder MKG för att fånga latenta spatiotemporala resorberoenden mellan stationer för att förbättra uppskattningsprocessen genom att ta itu med saknade värden och kallstartsproblem. Ramverket är validerat med både syntetiska och verkliga data, vilket visar värdet av MKG vid uppskattning av användarstations uppmärksamhet.

Paper IV-VI fokuserar på forskning av kausala grafer och deras tillämpningar i kollektivtrafiken. Innan man genomför orsaksanalysen för bussförseningar, genomför Paper III en empirisk studie som undersöker de heterogena effekterna av olika faktorer på bussens ankomstförseningar operativa variabler och utvecklar kausala upptäcktsmetoder för statiska data för att analysera de variabler som orsakar bussförseningar och utvärdera deras prestanda utifrån statistisk dataanpassning och kausalitetstolkningsmetoden för att analysera orsakerna till bussförseningar kausal graf som genereras i Paper IV, Paper V utvecklar en kausalitetsbaserad Shapley-värdesmetod för att kvantifiera bidraget från varje variabel till bussförseningar för att stödja effektivt transportbeslut. Resultaten korsvalideras med den konventionella modellen (t.ex. regressionsmodeller ) för att avslöja skillnaden mellan korrelationsbaserade och kausalitetsbaserade analysmetoder. Dessutom utvecklar Paper VI en tidsseriekausal upptäcktsmodell för att sluta sig till orsakssamband mellan busshållplatser och generera den spatiotemporala fördröjningsutbredningens kausala grafen från tidsseriens busshållplatsfördröjningsdata. Sedan införlivar den komplex nätverksteori för att analysera bussfördröjningens utbredningsmönster och effekter inom kollektivtrafiksystemet.