近年来,基于公交导向的城市交通蓬勃发展,智能公交系统受到了我国人民越来越多的关注,同时大城市的公交实时预测研究也变得炙手可热。通过实时准确的公交到站时间预测技术,有助于促进APTS的智能信息化发展,提高城市的管理水平和服务能力,同时也能让公交系统的运行效率大大提升。因此,本文以广州的公交线路作为研究对象,通过对公交运行特性及预测方法的分析,确定了基于统计的预测方法在公交到站实时预测的可行性,并以公交运行时间曲线作为研究对象,针对城市的公交到站时间实时预测展开工作,通过处理分析公交运行的历史时间数据,进而构建运行时间曲线,从基于统计的规律中出发,提出了基于聚类分析的曲线匹配预测模型、基于曲线匹配的预测模型、基于日期特征的预测模型,根据研究的内容主要划分为以下三个方面:首先,以广州2017年近110天的数据为基础,对原始数据进行预处理和标准化分析,将历史数据转化成视觉化的运行时间曲线。再对曲线进行中值滤波处理,通过对运行时间曲线的特征进行差异研究,针对曲线特征参数譬如:斜率、纵坐标数值、曲率等逐个计算、分析、筛选,提出了基于曲线匹配的研究思路。然后,为了研究基于曲线匹配的公交到站预测的效率和精确程度,从公交到站时间曲线特征参数的匹配出发,选择契合的聚类方法对近百天的曲线采用聚类分析,本文依据聚类速度以及变量类型的特性选择了K-均值聚类分析的方法将若干条运行时间曲线分类至最佳聚类,以便深层次的检验曲线匹配的实用性、精准性。最后,根据本文提出的基于聚类分析的曲线匹配的公交到站实时预测模型,对广州某一线路的历史数据进行实证检验。首先对原始数据进行完善及标准化处理,然后构建公交到站实时预测模型,通过对比基于日期特征的预测模型、基于聚类分析的曲线匹配预测模型和曲线匹配预测模型等三个预测结果的精度和效率,发现本文提出的基于聚类分析的曲线匹配预测模型在预测精度和计算复杂度两方面都是有效的。综上所述,针对现有公交到站实时预测模型的效率及精确性低等问题,本文提出了基于聚类分析的曲线匹配预测模型,也更多的考虑了城市早高峰、日期特征、交通量等因素,为建设和管理先进的公共交通系统提供了数据和理论支持。