国内：
1.彭新建、翁小熊通过对公交车辆行驶特性以及行驶环境的实际分析，确立天气状况、时间段（高峰／平峰）、交通流量以及路段长度为关键影响因素。基于萤火虫算法的参数少、操作简单、稳定性好等优点，提出一种利用萤火虫算法对BP神经网络进行优化的算法，以减少神经网络的训练时间和提高其预测稳定性。然后利用GPS数据和实时采样数据对神经网络进行训练和建模，实现公交车辆行程时间的准确预测。将该优化算法与传统的ＢＰ神经网络算法和卡尔曼滤波算法用MATLAB分别仿真测试，对比结果显示，该算法对公交行程时间的预测具有更高的准确性且结果更加稳定。
2.何波等建立同时采取trainlm、traindx函数训练的bp神经网络模型，并设置了3组不同的输入方案，在相同的数据训练下3种方案的预测结果都优于卡尔曼滤波模型。
3.胡继华等在应用马尔科夫链预测公交站间行程时间基础上提出其改进算法。通过大量公交ＧＰＳ数据构造不同时段下具体线路站间行程时间的马尔科夫状态转移矩阵，并对站间行程时间进行状态推导，采用移动误差补偿法对马尔科夫预测值进行动态修正，改进原有的马尔科夫预测算法。以广州市ＢＲＴ线路Ｂ１的实际运行数据对算法进行了验证，结果表明，移动误差补偿改进算法优于基本马尔科夫算法及ＢＰ模型，且具有实现过程较简单的优点。
4.周文霞等提出了基于卡尔曼滤波算法的行程时间预测模型并结合广州市天河北路两个路段的实测数据论证模型的实用型。
5.陈旭梅、龚辉波等提出了一个支持向量机进行初始行程时间预测并结合卡尔曼滤波算法进
行动态调整的快速公交车行程时间综合预测模型。以快速公交车运行的GPS 数据为基础对北京市朝阳区快速公交2 号线进行行程时间预测案例研究。与单一的卡尔曼滤波方法所得的预测结果相比预测精度和适用性更优，并且预测平峰时段的精度要高于高峰时段。
6.陈旭梅、于雷等基于北京公交运行特征深入分析公交服务的可靠性，提出基于线路的准时指数、基于站点的偏差指数和均匀度指数来评估公交服务的可靠性。
7.王殿海、汤月华等基于公交GPS数据，采用地图匹配算法建立站点区间形成时间计算方法，通过你和优度检验筛选最佳缝补模型，并利用最大然似估计获取分布模型参数，建立了公交车行程时间可靠性评价指标体系，分析得出站点区间长度、公交小时流量、采样间隔与行程时间可靠性存在相关关系，而交叉口相对位置为非关键影响因素。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
