（1.浙江师范大学道路与交通工程研究中心，浙江金华 321004；2.西安交通大学电子信息工程学院，西安 710049）

0 引言

通过城市公交解决城市交通问题已成共识，而旅行时间预测是提升出行体验、提高服务可靠性、改善出行结构的关键技术之一。城市公共交通系统是一个具有高度的不确定性、非线性的多参数参与的、时变的复杂巨系统，其旅行时间预测较为复杂，尤其在短时旅行时间预测中（≤15 min），时变性、不确定性更强，突发事件发生概率更大，较中长期预测（≥35 min）而言，预测精度因要求更高而难度更大。文献［1］认为仅基于历史数据、实时数据的“时间特征向量输入预测法”无法有效地应对突发情况，在长期预测（≥35 min）和短期预测（≤15 min）之间难以达到平衡。

城市公交旅行时间的预测有很多代表性方法。从技术上讲，该领域最近3 年的预测方法可以分为五类：基于支持向量机（Support Vector Machine，SVM）、基于卡尔曼滤波器（Kalman Filter，KF）、基于全球定位系统（Global Positioning System，GPS）、基于粒子滤波（Particle Filter，PF）和基于神经网络。支持向量机（SVM）使用专门设计的内核将输入数据映射到更高维度的空间，以使修改后的输入数据与目标变量之间呈线性关系。文献［2］提出了一种基于主成分分析-遗传算法-支持向量机的预测方法，以提高公交车到站时间的预测精度。文献［3］提出了一种由时空参数组成的支持向量机模型（单步预测模型）。然而，文献［4］提出SVM 的非线性来自内核技巧，它不能解决大规模问题。文献［5］考虑了在卡尔曼过滤器（Kalman Filter，KF）模型中利用从社交网络获取信息的效果。……