目前,公交车行驶时间预测因其具有的特殊意义而成为智能公交系统的一个重要研究热点,而公交车行驶时间又因与众多因素相关,是一个复杂的非线性关系,因此又成为一个研究难点。神经网络集成技术由于其特殊的性质,已经被成功广泛应用于回归和分类等诸多领域,在预测和分类的精度上都取得不少的提高。因此本文通过对神经网络集成的研究,将神经网络集成用于公交车行驶时间预测领域,达到增加系统的泛化能力和提高行驶时间预测的精度的目的。为了达到这一目的,本文在研究时间预测模型及如何提高神经集成系统的泛化能力方面主要做了如下研究和探讨。首先,分析了当前流行的公交车行驶时间预测模型,建立了包含天气、节假日等众多影响因素的输入模型并根据输入变量的不同,训练产生了节假日类、普通类和天气类的三类个体神经网络。本文提出的两种预测模型均是以这三类个体网络为基础进行合成的。其次,为了保证个体网络精度的同时,增加了集成中个体网络的差异度,提出了二次训练方法,并以系统最小平方和误差为原则,通过遗传算法来优化个体网络的权重,从而提高系统的泛化能力。本文将这种模型称之为FBRTST(The forecast of bus running time based on the second training)模型。最后,在对公交车行驶时间序列进行分析后,根据其特点,对训练集中的数据进行分类并使用不同的选择策略参加训练,并针对个体神经网络在数据空间中表现的不一致性及传统集成方法不能动态调整权重的缺点,提出应用广义回归网络动态调整个体网络权重的方法,达到预测精度和系统泛化能力提高的目的,并将此模型称之为PBRTSL(The prediction of bus running time based on the sort learning algorithm)模型。