目前预测公交车到站时间的方法有以下几种：
回归模型。Chain 和 Patna提出了基于多变量回归的公交车辆到站时间预测模型。模型把公交车上下乘客数、运行时段、停靠站时间、车辆延误等因素进行综合考虑，通过回归分析的方法来确定预测模型的输入变量，从而建立公交车辆的到站时间预测模型。
Kalman 滤波模型。Shabby 和 Farthing提出了一种基于 Kalman 滤波算法的公交车行程时间预测模型。该模型利用公交车车载定位数据(AVL)作为模型的基础进行预测，通过对比分析卡尔曼滤波模型，历史数据模型，回归模型以及神经网络模型的预测结果，可以得到卡尔曼滤波模型的预测精确度更高。
支持向量机模型。 于滨等提出一种结合支持向量机 SVM 模型和卡尔曼滤波模型的组合预测模型。该组合模型首先利用获取的公交车到站时间的历史数据对 SVM 模型进行训练，将训练结果作为整个模型的预测基线，然后把 SVM 预测的结果通过卡尔曼滤波模型对其进行动态的调整，从而达到动态预测的效果。最后利用大连公交对该组合模型进行公交到站时间预测的实例验证，实验结果表明在预测效果上，组合预测模型要比单一的公交到站时间预测模型精确度更高。
人工神经网络模型。Sejong 和 Ringlet提出了一种利用车辆自身车载的自动定位数据，建立公交车到站时间的 ANN 预测模型。模型把时刻表、交通状态、站点停靠时间作为考虑因素。通过实验验证基于历史数据的模型、回归模型和人工神经网络模型三种模型对公交车到站时间的预测结果，从结果的对比分析中人工神经网络模型的预测效果要比其它两个更好，且具有较满意的预测精确度。
牛虎提出了一种基于 BP 神经网络的到站时间预测算法模型。该模型首先对公交车到站时间的影响因素进行分析，选取模型的输入变量，把公交车辆在此前的每个站点的到站实际时间、延误时间、站点的停滞时间作为输入变量。同时也提出了基于非参数回归的到站时间预测模型，该模型通过搜索历史数据，设计匹配算法从中匹配与当前实时状态数据最为相似的状态，获得最相似的预测数据，从而输出预测时间，具有较好的预测精确度。
