公交串车是公交运营中较为常见的现象,公交串车的产生带来了乘客平均候车时间增加、前后公交车辆载客量不均等问题,降低了公交服务的可靠性,是公交运行过程中不可忽视的问题。短时公交串车预测是实现公交串车调度优化的基础,其预测的准确性直接影响公交串车现象改善的程度。然而,由于公交车辆运行状态存在波动性,对公交串车进行准确预测较为困难。本文在研究公交串车特性的基础上,建立基于改进支持向量回归的公交串车预测模型,旨在提高公交串车预测的精度。本文通过分析公交车辆到离站的过程,明确公交串车的形成过程,定性分析了影响公交串车的因素,并基于公交到离站数据分析公交车辆运行状态,利用公交车辆运行状态图反映公交串车特点,对公交串车时空变化特性进行分析与总结。本文建立的基于改进支持向量回归的公交串车预测模型将公交串车预测分为两阶段。第一阶段基于单一的支持向量回归模型,利用遗传算法对模型参数进行优化,利用公交到离站历史数据对公交车头时距进行预测。在此基础上进行第二阶段的公交串车预测,引入实时公交到离站数据,利用卡尔曼滤波对第一阶段的预测结果进行动态调整。改进支持向量回归模型利用支持向量回归模型拟合公交串车过程中的非线性因素,并结合卡尔曼滤波的自回归递推对预测结果进行动态调整,充分发挥了两种方法的优势和特点,弥补了单一支持向量回归模型实时性较差而单一卡尔曼滤波受随机因素影响波动性较大的缺陷,使得预测结果既能够反映车头时距历史规律,又增强了实时性和抗干扰能力。本文选取了多条公交线路的公交到离站数据对公交车头时距及公交串车情况进行预测分析,并选取平均绝对误差、平均绝对误差百分比、均方根误差等评价指标,从不同的时间和空间维度(不同线路、单个站点、多个站点、不同时段类型等)对改进支持向量回归模型、单一的支持向量回归模型以及ARIMA模型所得到的预测结果进行比较。结果表明,采用改进支持向量回归的公交串车预测模型对公交串车进行预测,其预测效果优于单一的支持向量回归模型和ARIMA模型,且在公交运行状态波动较大的时段其预测效果的提升仍较为明显,验证了该模型对于公交串车预测具有良好的适用性,能够有效地提高公交串车预测的精度。