公交车辆到站时间是出行者最为关心的交通信息之一,提高公交车辆到站时间预测模型的精度和可靠性,可对城市公共交通的发展起到积极的推动作用。论文系统地分析了公交车辆到站时间的组成部分和影响因素,选取公交车辆在前续站点的到站时间、停靠时间和延误程度为预测模型的输入变量,设计并实现了基于车辆GPS数据的插值方法、数据库结构和数据处理算法,得到了公交车辆在每站的详细运行数据。在此基础之上,论文首先提出了基于平均行驶和停靠时间的统计模型；随后建立了BP人工神经网络预测模型,使用样本数据来训练神经网络,拟合前续站点到站时间、停靠时间和延误程度与后续到站时间之间的非线性关系,利用实时的已到站信息对后续到站时间进行预测；最后提出了改进的非参数回归模型,先对搜索数据库进行聚类分析,随后对状态向量进行主成分分析以达到降维的效果,在此基础之上选取K近邻机制和加权平均预测算法来构建模型。最后论文对北京公交16路实际采集来的3369组数据进行实证分析,以上行方向为例,详细分析了数据特性,选取相对平均误差MRE作为评价模型预测效果的指标,对三个模型进行了计算,发现非参数回归预测模型在最优K值条件下的平均预测误差最小,相对于统计模型和人工神经网络模型分别改善了55.15%和40.24%。