本文提出了一种基于 XGBoost 机器学习算法的公共交通到站时间预测模型，能够利用公交车的位置信息和空间特征预测其到站时间，针对有交叉口和无交叉口两种空间情境下的公交路线进行预测，结果表明该模型比其他模型表现更优，可在以及其他交通基础设施有限的类似城市中推广。

Oct, 2022

本文介绍了 BusTr，一个基于机器学习的模型，将交通预测转化为公交车延误预测，现已被 Google 地图用于为大部分世界公共交通系统提供服务，在没有官方实时公交跟踪的情况下。我们演示了我们的神经序列模型提高了训练稳定性和性能（MAPE 低 30%），并证明了在纵向数据上评估的更简单模型的显著泛化增益以应对不断发展的世界。

Jul, 2020

利用监督机器学习算法分析德黑兰 BRT 巴士系统准时性的影响因素，并构建准确的预测模型，研究各算法的决策过程，揭示影响巴士线路效果的关键因素，为提高其性能提供有价值的见解。

Oct, 2023

通过设计 LSTM-based 架构和输入过去的巴士乘客、星期几、时间段、天气情况和降雨量等所有相关数据作为特征，本研究提出了一种巴士乘客高度准确的预测模型，以提高服务质量。结果表明，该模型平均和最高准确率分别提高了 23% 和 27%。

Apr, 2023

开发了一个开源代码基础架构，使用五种常见的方法评估了稳定和高度动态的情况下的短期乘客预测模型（包括计量经济学和深度学习方法），并使用智能卡数据的时间序列来预测哥伦比亚波哥大的 BRT 系统的未来一天的乘客需求，结果表明，在 COVID-19 疫情期间，使用 LSTM 模型的适应性训练和多输出设计优于其他模型，适应比其他模型更快。

Jun, 2023

公交出行特征提取方法利用 POI 数据，采用增强的 P-KMENAS 和 P-LDA 算法来克服传统算法的局限性，有效地挖掘了与年龄、职业、性别、运动、费用、安全和个性特征等多个方面相关的公交出行行为，从而提升了公交出行的优化效果。

Dec, 2023

公共交通系统延迟问题的探测方法和流处理引擎的参考架构可以在线计算显著和重复延迟，以及对有限的位置数据质量具有弹性。

Apr, 2024

通过引入数据驱动的统计与机器学习模型以及有效的随机化局部搜索算法，我们的研究在公共交通的积极干预和管理方面取得了有希望的结果，为交通管理机构提供了一种实用且易于实施的解决方案，以增强其服务的可靠性，进而促进更具弹性和可获得性的公共交通，使最依赖公共交通的社区受益。

Mar, 2024

利用深度学习方法构建决策支持系统，通过调整公共交通特定时间段的路线以提高运输效率和可靠性。

Aug, 2023

该研究综述了公交模式下预测到站时间算法的发展，强调对公共数据标准的需求以解决报道标准的不一致性和算法预测精度的测量统一性，推进社会公共交通的规范化发展。

Apr, 2019