目前預測公交車到站時間的方法有以下幾種：
回歸模型。Chain 和 Patna提出了基于多變量回歸的公交車輛到站時間預測模型袍榆。模型把公交車上下乘客數(shù)、運行時段塘揣、桶福靠站時間、車輛延誤等因素進行綜合考慮亲铡，通過回歸分析的方法來確定預測模型的輸入變量才写，從而建立公交車輛的到站時間預測模型。
Kalman 濾波模型奖蔓。Shabby 和 Farthing提出了一種基于 Kalman 濾波算法的公交車行程時間預測模型赞草。該模型利用公交車車載定位數(shù)據(jù)(AVL)作為模型的基礎進行預測，通過對比分析卡爾曼濾波模型吆鹤，歷史數(shù)據(jù)模型厨疙，回歸模型以及神經(jīng)網(wǎng)絡模型的預測結果，可以得到卡爾曼濾波模型的預測精確度更高疑务。
支持向量機模型沾凄。 于濱等提出一種結合支持向量機 SVM 模型和卡爾曼濾波模型的組合預測模型。該組合模型首先利用獲取的公交車到站時間的歷史數(shù)據(jù)對 SVM 模型進行訓練知允，將訓練結果作為整個模型的預測基線撒蟀，然后把 SVM 預測的結果通過卡爾曼濾波模型對其進行動態(tài)的調(diào)整，從而達到動態(tài)預測的效果温鸽。最后利用大連公交對該組合模型進行公交到站時間預測的實例驗證保屯，實驗結果表明在預測效果上，組合預測模型要比單一的公交到站時間預測模型精確度更高嗤朴。
人工神經(jīng)網(wǎng)絡模型。Sejong 和 Ringlet提出了一種利用車輛自身車載的自動定位數(shù)據(jù)虫溜，建立公交車到站時間的 ANN 預測模型雹姊。模型把時刻表、交通狀態(tài)衡楞、站點椭ǔ靠時間作為考慮因素敦姻。通過實驗驗證基于歷史數(shù)據(jù)的模型、回歸模型和人工神經(jīng)網(wǎng)絡模型三種模型對公交車到站時間的預測結果歧杏，從結果的對比分析中人工神經(jīng)網(wǎng)絡模型的預測效果要比其它兩個更好镰惦，且具有較滿意的預測精確度。
湃蓿虎提出了一種基于 BP 神經(jīng)網(wǎng)絡的到站時間預測算法模型旺入。該模型首先對公交車到站時間的影響因素進行分析，選取模型的輸入變量凯力，把公交車輛在此前的每個站點的到站實際時間茵瘾、延誤時間、站點的停滯時間作為輸入變量咐鹤。同時也提出了基于非參數(shù)回歸的到站時間預測模型拗秘，該模型通過搜索歷史數(shù)據(jù)，設計匹配算法從中匹配與當前實時狀態(tài)數(shù)據(jù)最為相似的狀態(tài)祈惶，獲得最相似的預測數(shù)據(jù)雕旨，從而輸出預測時間，具有較好的預測精確度捧请。
