随着城市建设的不断发展,城市道路交通环境日趋复杂多变,在城市道路上行驶的公交车会受到交通信号、社会车辆、行人等因素的干扰,造成公交车行驶状态的不稳定,尤其是在发展中国家,由于车辆过多、交通方式多样化和车道纪律严重缺乏,这种不稳定被进一步扩大,使得公交行程时间的预测精度大大降低。因此本文旨在通过分析我国公交车行驶特性,挖掘公交车行程时间影响因素,划分城市道路交通状态,开发出关于公交行程时间的预测算法并进行实例验证,最终达到提高公交服务质量、增加公交吸引力的目的。首先,本文明确了研究公交行程时间预测方法的重要性和必要性,总结和分析国内外学者近些年在有关方面的研究成果,依据国内外相关研究现状的分析,梳理本文的研究思路和技术路线,确定本文的主要研究内容。其次,本文通过分析硬件设备收集到的车辆自动定位数据的结构特点,针对其存在的数据质量问题自主设计出数据预处理算法,并通过Matlab2014b软件编写算法程序,提取出本文实验所需数据信息。根据我国城市公交车的行驶规律,结合我国道路运行现状,分析公交行程时间的时变特性和波动特性。统计分析公交车行程时间在休息日和工作日上的变化趋势,探究其在时间和空间两个维度上的规律;整理分析目前常见的波动特性分析方法,在考虑公交车车头时距的基础上改进波动特性量化指标,通过将波动特性定量化来分析探究公交车行程时间的内在波动规律。然后,本文运用基于快速搜索与密度峰值算法,从公交行程时间波动性的角度出发,根据公交车的行车环境对公交车所处时空条件下的城市道路交通的波动状态进行划分,并将划分结果与其它聚类算法的实验结果进行对比分析,从而验证算法的有效性,最终得到高波动性、中波动性和低波动性三种不同波动等级的道路交通状态。接着,本文分析并列举了影响公交行程时间预测模型的特征因素,选择通过嵌入法对预测模型特征向量进行特征筛选,运用深度神经网络作为预测方法,结合道路交通状态划分结果,利用交通流数据中具有的时间序列上的前后依赖性以及空间上的相关性设计出基于CFDP-DNN的公交行程时间预测模型框架,并通过Tensoflow深度学习工具完成本文的预测实验,最终将实验得到的预测结果与其它预测方法进行对比分析,可以发现本文所提出的基于CFDP-DNN的预测模型方法的预测精度最高,且具有最好的预测可靠性。最后,总结和概括了论文的主要研究内容和一些研究贡献,指出论文的不足之处和仍待解决的问题,并给出未来的工作计划以及下一步研究方案。