智能网联作为行业发展热点,将推动公共交通行业转型升级,改变未来公共交通运营和出行方式。智能网联技术使获取准确的公交车辆运行数据有了现实基础,但是受到交通环境等其他因素的影响,车辆的运行具有不稳定性和复杂性。准确预测公交车辆的到站时间,可以提高车辆运行效率,为车辆指挥调度和管理提供决策依据。在不同时段,公交车辆的到站时间会有明显不同,这也增加了预测的难度,通过对不同时段的公交车辆到站时间进行精准预测,从而达到提高运输效率、减少污染、节约能源的目的。文章首先对国内外文献进行系统的梳理,针对城市常规公交车辆到站时间存在不确定性等问题,开展提升网联环境下公交车辆到站时间预测精度方法的研究,为乘客提供准确、及时、有效的出行服务。由于交通数据具有不确定性的特征,存在样本数量冗余及数据缺失等问题,在进行预测之前需要对数据进行预处理,以降低对预测准确性的影响,保证预测结果的精度。文章分析了公交车辆数据采集过程,并对采集的数据进行初步处理,分析公交车辆到站时间的影响因素。通过对原始交通数据的预处理,提升数据质量,为后续公交车辆到站时间预测提供可靠的数据基础,从而获取原始特征。在对四川自贡市1号线路公交车辆的运行数据进行时间、空间分析的基础上,将一天的时间划分为高峰和平峰两个时段,并将1号运营线路划分为市区部分和郊区部分,将天气状况划分为良好和不良两种状态,研究城市公交车辆到站时间变化规律。采用单变量方差分析和皮尔逊相关性分析方法分别对分类变量和连续变量进行特征分析,保留相关特征,剔除不相关、弱相关特征。此后分别采用时间序列法、支持向量机和人工神经网络模型分别对不同时段、空间和天气状况下的公交车辆到站时间进行预测,根据十次预测结果的MAPE值,计算不同时段、路段和天气状况下的MAPE的平均值和标准差,并分析不同方法的适用范围。最后以四川自贡市的1号线路公交车辆的运行数据为基础进行算例验证,搭建仿真平台验证研究,基于运行时间和站点等待时间对预测模型的准确性进行分析。