随着城市规模不断扩大,公众对市内出行的需求越来越高。利用智能交通系统和物联网等产生的海量数据,对交通出行时间进行分析预测,已成为目前智能交通研究热点之一。本论文利用多重分形理论、去趋势互相关分析、径向基(RBF)神经网络、车辆行驶时间预测等技术对交通数据进行分析计算,研究基于公交车载数据的车辆行驶时间预测,对提升城市交通服务质量具有参考价值。本论文深入分析国内外研究现状,使用多重分形去趋势互相关分析方法,对车载数据进行分析研究,结果验证了车辆之间行驶速度的相关性。对于给定时间标度,在同一分形区间内,公交车车速和被预测车辆的车速呈现正相关性。本论文在此分析研究的基础上,利用改进后的RBF神经网络,建立基于两阶段混合场景自适应RBF神经网络(TSMSA-RBF)的车辆行驶速度预测模型。该模型先通过主成份分析离线初始化RBF神经网络,再结合实时数据训练集,使用"场景自适应调节器"改变网络结构,进而使网络实现在线场景自适应的功能。经过大量的实际数据实验,验证了基于该方法的模型在车辆行驶速度预测上的拟合程度较高。本论文基于此模型,利用在线地理信息平台,结合车辆行驶时间预测方法,实现了车辆行驶时间预测软件。该软件利用历公交车载数据进行城市道路车辆运行仿真模拟,可以显示车辆行驶信息,计算出特定路线上的行驶总时间。本论文在理论研究的基础上实现基于公交车载数据的车辆行驶时间预测软件,通过理论与实践相结合的方法,实现本课题对城市出行时间预测的研究目标,对进一步的综合智能交通研究进行了有益的探索,为提升交通服务质量和公众出行便利性提供了参考。