为了缓解城市交通压力,需要大力发展公共交通系统。然而,公交车在运行过程中会受各种因素的影响出现延误现象,这极大地打击了出行者选乘公交车的积极性。为了给出行者提供准确可靠的到站时间信息,本文对公交车到站时间预测方法进行了深入研究,以期更多出行者选择乘坐公交车,从而有效缓解交通拥堵问题。本文在考虑公交车到站时间点预测不确定性的基础上,提出了基于高斯过程回归的公交车到站时间区间预测模型(BATIP-GPR)和基于贝叶斯神经网络的公交车到站时间区间预测模型(BATIP-BNN),主要内容如下:(1)对公交车到站时间预测结果的不确定性进行研究,采用区间预测法对预测结果的不确定性问题进行定量分析。对比几种常用的区间预测方法,选取贝叶斯估计法用于构建预测区间。分析公交车的运行过程,将相邻站点间的行驶时间作为区间预测对象。(2)对原始GPS数据中的乱序、异常、缺失等问题进行预处理,并利用处理后的数据提取出公交车相邻站点间的行驶时间。对影响预测对象的因素进行分析,确定了公交车到站时间预测模型的输入数据,为后期构建预测模型做基础。(3)提出一种BATIP-GPR模型,并利用实际轨迹数据对工作日内的公交车到站时间进行预测。相同的置信水平下,该模型的区间预测结果与一种基于SVR和上下界估计法的区间预测模型(SVR-LUBE)相比,具有更窄的区间范围。该模型的点预测结果与SVR-LUBE模型、一种传统的基于SVM的点预测模型相比,其MAPE分别减少了0.475%、0.566%。实验表明,所提模型相对传统点预测模型来讲,具有可量化预测结果不确定性的优势,相对区间预测模型来讲,具有更好的预测性能。(4)提出一种BATIP-BNN模型,并与BATIP-GPR模型进行对比。相同的置信水平下,其预测区间范围更窄,并且点预测结果的MAPE减少了1.264%。实验表明,BATIP-BNN模型具有更准确的点预测结果、更可靠的区间预测结果,即预测性能最佳。