随着智能交通的兴起,国内外许多学者逐渐将注意力转移到公交车辆到达站点时间预测的研究上。提供较为准确和可靠的公交车辆到站预测时间同时也是广大出行者最为关心的交通信息之一。本文通过分析选取公交车辆到站时间各种静态和动态影响因素,建立起误差率更低、可靠性更高的公交车辆到站时间预测模型,本文具体工作内容主要包括以下几个方面:首先,结合车载物联网系统对公交车辆在行驶过程中的行驶状态信息进行数据处理进而获得公交车辆在各站点到站时间的详细信息。本文分析并选取出对公交车辆行驶状态具有影响的重要组成因素作为输入变量并进行量化。其次,在选取出对公交车辆行驶状态具有影响的重要组成因素基础上,论文分析现有研究的预测模型均为浅层结构模型、对复杂函数表示能力有限的不足之后提出使用深度学习的公交车辆到站时间预测模型,该深度学习预测模型底层使用由多层受限玻尔兹曼机组成的深度信念网络架构进行无监督训练过程,顶层由BP神经网络进行有监督训练微调过程,接着给出了预测模型的训练步骤和参数设定。最后,论文对将建立的深度学习预测模型应用在哈尔滨市某段公交线路上进行实验,以验证预测模型的可行性,并在实验中通过建立BP神经网络预测模型和支持向量机预测模型对比分析所建立模型的预测误差,通过实验结果表明通过深度学习预测公交车辆到达站点所需时间的模型是可行的且相对于其他两个模型具有较好的预测效果。