随着改革开放的不断深入,我国公共交通得到了长足的发展。国家制定了优先发展公共交通的政策和策略。在此背景下智能公交系统应运而生。系统运行之后取得了不错的效果,但运行过程中也发现了,准确及时地掌握甚至预测公交短时客流的变化信息,将为公交管理调度提供有力的决策支持。短时公交客流预测受政策、环境、天气等很多因素的影响。国内外有很多专家学者开展这方面的研究,使用的方法主要有基于统计、非线性及混合类方法三种类型方法。特别是使用神经网络、卡尔曼滤波等非线性(智能)方法的预测,通过实验验证,有不错的效果。基于卡尔曼滤波算法的预测模型有的时候预测结果发散、误差偏大;而基于神经网络的预测模型又对输入值的噪点过滤性能较差,并且太过于依赖于数据样本,部分时候表现效果不太理想。本文在充分研究国内外相关领域的现状的情况下,提出了改进的卡尔曼滤波短时公交客流预测算法模型。该模型利用卡尔曼滤波算法的原理,以BP神经网络为辅助,充分地利用BP神经网和卡尔曼滤波两种算法的优点,互补各自的缺点,将卡尔曼滤波预测过程中产生的噪声协方差、估计误差、滤波增益作为BP神经网络的输入,然后将输出结果与卡尔曼滤波预测结果结合,校正误差。本文选用了大连市28路公交车IC卡数据记录与GPS数据记录,经过数据清洗、比对等预处理之后形成样本数据。本文经分析,考虑了 28路公交车客流数据在同一天相邻时间段,与相邻天、周、月的同一时间段以及相邻月的同一时间段的历史数据平均值呈强相关的具体情况,构建了 BP神经网络校正的改进卡尔曼滤波短时公交客流预测模型。经检验,改进的卡尔曼滤波预测模型较传统的卡尔曼滤波预测模型以及单一 BP神经网络预测模型,预测结果误差较小。本文建立了基于BP神经网络修正的改进卡尔曼滤波短时公交客流预测模型。该模型解决了传统算法容易发散,预测结果误差较大的缺点,为今后的研究提供了新的思路和方向。