苗 旭，王忠宇，吴 兵，杨 航，王艳丽*

(1.同济大学道路与交通工程教育部重点实验室，上海201804；2.上海海事大学交通运输学院，上海201306)

0 引言

准确预测公交到站时间不仅可以节约乘客出行时间，提高公共交通吸引力，还有助于运营管理者动态调整运行时刻表和发车间隔，提高运营管理效用.现有预测模型主要包括5种：一是回归模型[1-2]，如Chang[1]等开发的临近非参数回归模型，预测公交站点从起点到终点的多区间、多路径的行驶时间；该类模型简单易懂，但精度和适应性较低[3].二是时间序列模型[4-5]，如童小龙等[5]考虑站点间行程时间的随机性，利用经验模式把非平稳时序分解为若干平稳时序，并基于二次指数平滑法预测公交到站时间；该类模型预测效果取决于当前交通状态与历史交通状态的偏差，当偏差较大时，预测结果不准确[6].三是支持向量回归模型(Support Vector Regression，SVR)[10-11]，如Peng等[10]基于主成分分析法对变量降维，利用遗传算法对SVR参数标定，从而建立改进的SVR模型；该类模型具有很强的学习能力和容错能力，但需对其进行大量训练且耗时较长，难以实时预测.四是神经网络模型[7-9]，如罗频捷等[9]将遗传算法和模糊推理系统融入多层前馈神经网络中，建立综合多层前馈神经网络模型；该模型在预测精度上具有绝对优势，但是训练函数、学习函数等参数选择需要经验或试取，也需大量数据训练模型.五是融合模型[12-14]，如陈旭梅[12]、于滨[13]等提出的包含卡尔曼滤波及SVR的综合模型，采用SVR模型预测各路段的初始行程时间，将该数据结果作为卡尔曼滤波算法的输入矩阵，实现对公交行程时间的动态预测；……