随着社会经济的发展,城市化进程的加快,车辆保有量的持续增长,加之交通基础设施建设滞后及道路管理中存在的诸多问题,城市交通供需矛盾日益加剧,交通拥堵日益严重,作为智能交通(ITS)研究的重要方面,优先发展先进城市公共交通(APTS)成为解决交通问题的行之有效的途径。作为城市公共交通系统研究的核心问题之一,实时准确的公交到站时间预测不仅能为出行者提供出行选择,缓解乘客焦虑情绪,提高乘车满意度,还能为相关部门科学管理、合理调度提供参考。而交通流的复杂性及交通状况变化的不可预知性给公交到站时间预测带来相当大的困难,因此,结合先进的信息采集和通信手段,研究实时精确的公交车辆到站时间预测方法在理论和实际工程应用中都非常有意义。本文在综述讨论公交车辆到达时间预测模型和相关技术的基础上,针对已有模型及预测方法实用性和精度上的不足,利用公交车辆车载GPS装置获得时间数据,充分考虑影响公交车辆到达时间及到站预测精度各种因素,结合支持向量机(SVM),Kalman和H∞滤波思想,设计分析了基于SVM的公交车辆到站时间预测算法,SVM对于小样本下的数据具有很强的统计学习预测能力；针对SVM基于历史数据预测动态反映实时交通信息能力的不足,提出了基于SVM/Kalman的公交车辆到站时间静态与动态预测相结合的联合预测方法；考虑到公交车在运行过程中受周围环境影响(高楼大厦,植物,高架桥)容易造成GPS信号的反射和衰减、以及复杂的交通状况(停靠车,拥堵)给观测数据带来未知噪声的实际情况,针对Kalman滤波算法对噪声统计特性假设的不足,提出了基于SVM/H∞的公交车辆到站时间静态与动态预测相结合的联合预测方法。为了提高预测精度,本文在分析GPS数据采集特点和统计公交车运行规律的基础上,给出了原始数据预处理的方法,并按照统计运行规律将处理后的数据分成了四类,针对不同的类型分别进行实测数据仿真。最后,利用济南市公交1路线的GPS数据进行实验,结果表明：基于SVM/H∞公交车辆到站时间静态与动态预测相结合的联合预测方法效果较之基于SVM和基于SVM/Kalman预测算法有明显提高,同时SVM/H∞显现出其良好的鲁棒性,可以更好的适应复杂交通环境下到站时间的有效预测,对于发展先进智能公共交通,提高公交运行效率及公交管理水平有一定的参考价值。