文献综述（或调研报告）：
1、公交到站预测模型
Lin[1]采用简单平均法预测了公交车到站时间的平均延误，与公交调度时间表上的到站时间相比较，平均延误等于计划到站时间减去实际到站时间，并根据调度时间、GPS位置、平均延误对当前公交车到站时间进行预测。Sun[2]提出1种历史平均值与实时GPS数据加权的预测方法，该模型采用过去公交车的运行车速均值与当前公交车的实时速度(GPS输出)加权平均值作为计算速度，并根据距离与速度之比预测到站时间。其中，权重大小与公交车到站距离有关，到站距离越远，历史速度均值的权重越大。
Chien[3]提出了自适应反馈神经网络模型，用基于路段的运行时间和基于停靠站的运行时间分别预测，该模型可根据实时预测误差自动调整模型参数。Lin[4]在考虑不同时间段的运行特征和交叉口信号对公交车影响的基础上，提出了1种双层神经网络模型，但模型本身需要大量的训练数据，且训练样本较多时模型的运行时间长，实时性较差。
Shalaby[5]将公交车运行过程分为路段行驶和站内停靠两部分，提出了可分别预测公交车到站时间和离开车站时间的卡尔曼滤波模型，运用AVL和APC系统的数据，假设公交车的运行状态是按天为周期循环变化的，考虑最近3d内同一时刻的实测值和当前时刻实测值，递推估计下一时刻的运行时间，具有较好的预测效果。Vanajakshi[6]提出了混合交通下公交到站时间卡尔曼滤波模型，根据混合交通特征将预测对象分为若干子路段单元，建立目标路段运行时间与上游路段运行时间的关系，并根据预测误差实时调整模型参数进行递推预测。
Yu[7]提出了基于SVM的预测模型，考虑时间、天气、路段、当前路段的行程时间、下游路段的行程时间共5个因素，其中，下游路段的行程时间由前车运行速度估计得到。Chen[8]建立了BRT公交到站时间的支持向量机回归模型模型，以公交站数、站间距离、交通信号、天气、时间段、能见度、温度、出发时间共8个因素为自变量，构建了公交车运行时间的支持向量机回归模型。
Meng[9]认为传统方法对公交车站停靠时间的确定性预测不准确，提出1种再生概率法，主要对公交车、乘客、社会车辆相互干扰产生的影响进行模拟分析，并计算了交通干扰影响下公交停靠时间的变化范围，该模型可一定程度反应公交车停靠时间的不确定性。陈国俊[10]研究了基于动态百分位公交行程时间的预测模型，研究了公交行程时间的百分位值统计特征，提出了在偏差低于50％的条件下，以样本频率最大为目标的公交行程时间预测模型。
2、粒子群算法及小波神经网络
粒子群优化算法是1995年由Kennedy和Eberhart源于对鸟群和鱼群捕食行为的简化社会模型的模拟而提出的一种基于群集智能的演化计算技术[11,12]。该算法具有并行处理、鲁棒性好等特点，能以较大的概率找到问题的全局最优解，且计算效率比传统随机方法高，其最大的优势在于容易实现、收敛速度快，而且有深刻的智能背景，即适合科学研究，又适合工程应用。因此，在PSO提出后的短短几年时间内涌现出大量的研究成果，在函数优化、神经网络训练、模糊系统控制、分类、模式识别、信号处理、机器人技术等领域获得了成功应用。
对PSO参数的研究，研究最多的是关于惯性权重的取值问题。PSO最初的算法是没有惯性权重的，自从PSO基本算法中对粒子的速度和位置更新引入惯性权重[13,14]，包括Eberhart、Shi等在内的许多学者对其取值方法和取值范围作了大量的研究[15-17]。目前大致可分为固定惯性权重取值法、线性自适应惯性权重取值法、非线性惯性权重取值法[18-20]等。
