“智能交通”是“智慧城市”概念的一个至关重要的组成部分,“加强城市交通趋势预测研判,及时发布交通运行预报信息”是智能交通的一个重要的研究领域与应用方向,其中公交到站时间与公交车内拥挤程度的准确预测是整体预报信息中的重要一环。本文主要利用BP神经网络模型,对公交到站时间与拥挤程度进行预测。(1)将公交到站时间影响因素分为微观与宏观两部分:微观是指以所要预测的公交车作为观测主体,有三类对其到站时间构成干扰的影响因素,分别是其正常行驶中的行驶过程因素、站点停靠影响因素和交通信号影响因素;宏观上将公交所在的交通环境看做一个整体,考虑它的交通状态因素。另外,与以往研究中直接使用影响因素作为模型输入不同,文本提出使用中间变量作为BP神经网络模型的输入变量,使其能够充分涵盖所有影响因素,具体选择的中间变量(即模型输入)有三个,分别是:1)公交在之前所有站点的到达时间。2)公交在之前所有站点的停靠时间。3)公交在之前所有站点的延误时间。选择以上三类特征作为模型的输入变量有以下优势:1)能够对影响公交到站时间的因素进行有效的整合,并且能够涵盖其影响效果。2)与一些难以获取的影响因素数据(如天气、地理位置等)相比,输入数据的提取与预处理更加简便。3)减少了模型的复杂度,并且增加了系统的实际可操作性。(2)利用北京300路公交车的真实GPS数据,并结合BP神经网络模型、支持向量机模型、KNN模型以及线性回归模型,对两种输入向量进行实验分析对比,采用不同的误差标准对预测结果进行对比,最后得出结论:使用基于综合影响的输入变量得到的结果更加准确,且BP神经网络的预测结果最准确,计算时间最短。(3)在公交车内拥挤程度方面,本文在现有的拥挤感知产生机制研究基础上,运用生态视角理论(ecological perspective theory)对公交内部拥挤的原因进行了分析,并由此进行了社会调查,与以往的文字调查不同,本文采用基于视觉感受的车内拥挤图像问卷调查,并利用统计学方法,提出了公交车内拥挤程度的等级划分方法。并且,从实际获得客流数据进行实验分析,找到规律,证实公交车内人数(即客流量)在同一周期内与公交到站时间具有相同的增减规律。(4)本文通过对影响公交到站时间和拥挤程度两种问题的研究,采用同一个BP神经网络,同时预测公交到站时间与拥挤程度,充分地利用了BP网络的强大非线性映射能力,并且大幅度减少了系统的复杂度,提高了运算速度。具体来说,系统会针对制定线路公交的每一站设计一个BP神经网络模型,其输入为公交在之前所有站点的到达时间、停靠时间、延误时间,输出则为公交到达下游每一站的时间与拥挤程度,因此每一个模型的输入、输出向量个数也各有不同。对最终结果进行展示,该结果一方面可以为实时交通管理与调度提供支持,另一方面也可以通过电子站牌或APP,将预测信息提供给出行乘客。