公交到站时间的可靠性是衡量公共交通系统服务水平的重要指标,提高公交到站时间的预测精度对于降低乘客候车时间、提高城市居民公交出行比例、缓解城市交通拥堵具有重要意义。然而公交轨迹数据的时空稀疏分布和公交站间运行速度复杂的时序变化规律,导致在实际的公交到站时间预测过程中出现了困难。为了解决上述问题,本文进行了以下几个方面的研究。首先,考虑到公交车辆自动定位(Automatic Vehicle Location,AVL)数据采样频率低,导致公交到达站点时间缺失,不能准确估计公交站间运行速度的问题,提出了一种基于低频AVL数据的公交站间运行速度估计方法。在对原始AVL数据经过地图匹配和异常数据清洗后,根据AVL数据记录的公交运行状态,分别对公交进站前处于3种不同运行状态(匀速、减速、靠站停车)下的公交到站时间进行了估计,并利用估计得到的到站时间完成对公交站间运行速度的估计。然后,考虑到公交站间运行速度样本数据的时空稀疏分布对公交到站时间预测的影响,提出了一种考虑公交运行速度时空变化特征的张量改进重构模型。构建了基于公交路段平均运行速度的三维样本数据张量,并通过在传统张量Tucker重构模型的基础上,添加表现公交运行速度时空变化特征的约束函数,使改进重构模型的估计结果更加符合公交运行速度的时空变化规律,降低了稀疏样本数据估计结果的误差。最后,在论证了经验模态分解(Empirical Mode Decomposition,EMD)能够对公交运行速度时序变化特征有效提取的基础上,提出了一种基于EMD-LSTM模型的公交到站时间预测方法。一方面针对预测模型对速度复杂时序变化规律感知不足的问题,通过EMD将混合在速度中的多种时序变化特征进行提取,使长短期记忆神经网络(Long-Short Term Memory,LSTM)模型能够充分地感知到公交运行速度中潜在的时序变化规律,提高了公交到站时间的预测精度;另一方面,考虑到公交车头时距较长条件下,实时路段运行速度的缺失,导致公交到站时间更新不及时的问题,通过对多个时段公交路段运行速度的预测,缓解了公交到站时间预测结果时效性下降的问题。