传统的居民出行调查数据对于快速变化的交通态势分析以及精细化交通管理需求已逐渐不适用。大量被动数据的出现为补充和完善传统的交通调查提供可能。虽然智能公交系统数据具有大量、广泛、实时、连续、数据准确性好等优点,但其缺乏出行目的的固有缺陷,阻碍了智能公交系统数据的深度挖掘与广泛应用。因此研究、推算智能公交系统数据的出行目的,完善公交出行信息,成为智能公交系统数据得以应用的关键问题。完善的公交出行信息,可为深入的个人出行行为建模、合理的公共交通票价制定、精准的个性化公共交通定制服务以及交通规划等提供强有力的数据支持。本文以常规公交出行目的推算为目标,对居民出行调查数据及智能公交系统数据进行预处理,根据所得有效数据对居民出行特征进行详细分析。利用多城市居民出行调查数据,使用6种机器学习算法构建常规公交出行目的推算模型。通过设置不同完备性下的个人变量输入条件,确定含有“卡类型”的被动数据环境下常规公交出行目的推算模型具有适用性和可行性,且“卡类型”输入对常规公交出行目的推算具有普遍提升效果。使用含有“卡类型”的被动数据环境下适用的推算模型对真实的智能公交系统数据进行出行目的推算,得出6种机器学习算法中较优的3种方法为深度神经网络、随机森林和决策树。通过分析智能公交系统数据出行目的推算结果,得出其与居民出行调查数据对应信息从整体来看较为吻合,利用补全出行目的的智能公交系统数据来补充和完善传统的居民出行调查具有一定可行性。通过探索性研究,得出分离规律性与非规律性出行,可在一定程度上避免两者的混淆,从而提升非规律性出行目的推算效果;出行目的推算模型在不同城市间的移植具有一定可行性;精细的土地利用信息对出行目的推算,尤其是非规律性出行目的推算,具有非常明显的提升效果。