自2009年“十城千辆节能与新能源汽车示范推广应用工程”以来,在国家一系列补贴政策扶持下,我国城市纯电动公交已取代绝大部分燃油公交。伴随纯电动公交的大规模应用,其充电及运营过程中的稳定性成为关键。利用电动公交运营中的实时充电明细大数据,提高对充电持续时间的预测精度,有助于改善充电策略,减少公交运营及排班管理的不确定性。本文考虑充电不确定性因素的情况下,通过电池管理系统大数据进行充电持续时间的预测和影响因素分析,为电池健康智能监测和养护提供决策支持。为深入理解不同影响因素对充电持续时间预测精度的影响,比较了五种方法的预测效果,包括统计学方法中的多层混合效应模型、加速失效时间模型和机器学习方法中的正则化线性回归模型、反向传播（BP）神经网络模型、梯度提升决策树等方法。结果表明,充电电流、电压、电池健康度、单体最高电圧、最高温度对充电持续时间均有显著影响。能够解析潜在嵌套层级结构的多层混合效应模型能够解释更多的变异性,加速失效时间模型佐证了其中绝大部分的影响效应;机器学习方法体现了较好的稳健性,弹性网、BP神经网络模型的均方根误差（RMSE）分别为1.967和1.587分钟;与其他四个模型相比,梯度提升决策树表现出了最佳的预测性能,RMSE为0.987分钟,此外还可解析充电过程中各变量与充电持续时间之间的非线性关系。研究提出的充电持续时间预测模型,能够精细地实现针对某一辆车、某一次充电、某一个荷电状态、某电池健康状况下等具体工况下的充电速率计算和预测;同时还可根据当前车辆状况更新最佳单体电压和温度的阈值、设定可避免资源浪费的最佳充电电压以灵活调控充电电流,实现纯电动公交充电稳定性与运营机动性的控制。