本文以公交在共线区段内公交站点频繁出现的聚集现象为切入点,结合实际公交运行轨迹数据对公交在共线站点的车头时距进行优化控制,以规范公交到站车头时距,减少公交站点聚集现象的发生。为了简化研究过程,本文以两条公交线路的共线区段为例展开研究。首先,通过对两条公交线路在共线区段运行轨迹的研究,发现共线区段内的公交站点聚集现象可以分为同线路之间的公交聚集和不同线路之间的公交聚集。针对站点的两种公交聚集现象,将公交共线区段车头时距进行进一步划分,从时空层面分别对单线路公交车头时距与公交联合车头时距分布特征与变化规律展开了研究分析,得出解决共线区段公交站点聚集现象的下一步研究方向,需要对单线路公交车头时距与共线区段公交联合车头时距(2.1小节)进行分别控制。接下来,本文通过对已有单线路与共线区段公交车头时距控制阈值相关研究成果的总结,结合对共线区段公交车头时距的分布特征状况,确立了共线区段公交车头时距的优化控制目标。进一步,基于前文对公交站点聚集现象的分类,本文对公交在站点的车头时距控制阈值进行了分别确定:对于单线路公交站点车头时距控制阈值的确定,本文基于公交车头时距的正态分布特征对公交的运行状态进行了分类,然后利用正态分布的3σ原则和机器学习k_means++聚类优化算法对公交在不同站点的车头时距控制阈值上下限进行了确定;而对于公交站点联合车头时距控制阈值的确定,本文通过对共线区段公交理想车头时距的确定,并考虑到公交车头时距调整对原有单线路公交车头时距的影响,建立了共线区段公交不同时到站的控制规则,以公交前车在站点的平均停靠时间作为控制阈值的下限,公交理想车头时距作为控制阈值的上限,并以早高峰为例对公交的车头时距控制阈值进行了分别确定。然后,本文对公交车头时距的影响因素进行了分析,基于python的sklearn机器学习工具建立了神经网络和支持向量机的公交车头时距预测模型,实现了对单线路公交站点车头时距和共线区段公交联合车头时距的预测,并对两种预测模型在不同情况下的预测误差进行了对比分析。再者,本文结合公交车头时距预测模型和公交站点车头时距控制阈值,建立起了一套完整的公交车头时距控制框架流程,通过限制公交的站间运行速度,以规范公交的到站车头时距。最后,根据本文提出的公交车头时距站间速度控制策略流程,结合python的simpy仿真工具对公交的运行过程进行了数值仿真,仿真过程具体分为共线区段前的单线路公交运行过程和共线区段内多线路公交运行过程。通过控制策略实施前后公交车头时距的数值仿真结果,从直观视觉层面和相对指标层面对控制性能进行了评价。