在城市化不断发展的背景下,交通拥堵、交通污染、交通事故率呈现出较大幅度的增长。为此,重视城市公共交通服务品质的改善,让更多人能够选择更为清洁绿色的公共交通出行成为必然趋势。倡导公共交通出行,改变居民的出行习惯,是交通问题解决的有效途径。在发展公共交通的过程中,对公交车辆到站时间做出精准预测,能够让市民对公交出行有更高的信赖度,这对于推动城市交通出行的发展有突出价值和意义。本文在观点分析过程中,针对公交车辆运行特点以及状况展开了探讨,构建起公交到站时间预测模型,合理进行公交到站时间的预测。在论文研究上,核心内容有:首先,基于对公交运行特性的分析,确定了公交到站时间影响因素。先从时间和空间方面分析了公交运行特性,再从公交车实际运行过程入手,把车辆运行过程分为站间行驶过程和站点停靠过程并详细分析其两过程中可能影响到站时间的因素,选取“相似日同时段w趟班次的路段运行时间平均值”、“同日上一班及上上班次运行时间”以及“目标预测站点上一路段的行驶时间”4大因素作为本文公交到站时间预测的影响因素。另外,通过公交调度系统获得原始公交运行数据,并进行格式化、标准化处理得到大量的样本数据。其次,从实际的生活场景出发,考虑了数据样本的特点以及实时性的要求,对预测模型进行了总体设计。分别建立站间行驶时间的天牛须小波神经网络(BAS-WNN)预测模型和站点停靠时间的频数加权法预测模型,针对每个预测模型,都给出了详细的设计思路和执行步骤。最后,对站间行驶时间预测模型和站点停靠时间预测模型分别进行了仿真验证。选取了赣州市K1公交线路对站间行驶时间进行仿真分析,利用MAE值来纵向衡量不同时间段BAS-WNN模型的精确程度,预测误差绝对值基本在60秒内。为进一步验证BAS-WNN预测模型的准确性和稳定性,将其预测结果同WNN和BPNN的预测结果进行横向对比,最终证明了BAS-WNN预测模型的效果最好。验证站点停靠时间预测模型时,选取了赣州市K1路、K2路、117路三条不同特征的路线的历史数据,采用频数加权法对停站时间进行预测,结果表明其预测效果基本能够达到要求且计算速度快。最后通过实例对BAS-WNN模型做进一步仿真验证,在不发生突发情况下能够将误差控制在较小的范围内,达到预期效果。另外,还对预测到站信息发布的方式、流程做了简单介绍。