3500/53 133388-01 广泛用于多种用途的二维条形码
我们对智能城市智能交通系统的相关工作进行了回顾，描述了每项工作的主要特点。
在Gammer的作品中
6]，使用QR码(快速响应码)技术实施了智能运输系统，QR码是一种广泛用于多种用途的二维条形码。这项研究在南安普敦市实施，在44个公交车站印制并放置了二维码海报。每个公交车站都贴有一张包含独特二维码的海报。
打印二维码海报的目的是让用户可以用智能手机扫描这些代码，然后被重定向到一个显示公交车到达时间的网页。这些信息来自南安普敦交通控制中心。作者提出了两种类型的海报:简单的，文字最少的，和更全面的。这样做是为了了解二维码的使用需要什么样的指导。这项研究工作提出了一种通过网站监控每个站点点击量的机制。该研究显示，在一周中的每一天，或者在高峰和非高峰时间之间，在车站使用QR码的差异很小；然而，不同地理区域之间存在差异。
在余和林的作品中
7]，提出了一种预测公交车到达时间的模型，用于预测同一站点不同路线公交车的到达时间。在这种情况下，多条路线的公共汽车运行时间用于预测这些公共汽车路线中每条路线的公共汽车到达时间。Yu和Lam研究了几种预测到达时间的技术:支持向量机(SVM)、人工神经网络(ANN)、k最近邻算法(k-NN)和线性回归(LR)。他们发现，提出的模型比基于单一路线的公共汽车运行时间的模型更准确。他们还发现，支持向量机(SVM)是预测多路线公交车到达时间的最佳模型。
在李、高、魏的研究工作中
8]，对单步和多步预测模型进行了分析，作为公交车到达时间预测的替代方案。在该工作中，提出了三个不同的步骤来实现到达时间的预测。在第一步中，通过历史交通时间数据中的K最近邻和K-means挖掘交通延迟抖动模式(TDJP)。在第二步中，通过使用具有历史TDJP修正的实时调整卡尔曼滤波器来提出短期预测。最后，第三步是基于马尔可夫历史转移模型的长期预测时间，以进行多步预测。
结果表明，李和高发现单步预测模型在精度和效率上均优于短时交通流预测和动态卡尔曼滤波。他们还发现，与短期交通流量和历史交通模式预测模型相比，多步预测在行程时间预测中提供了更高水平的准确性和可靠性。
在周、郑、李的作品中
9]，提出了一种基于乘客参与感知的公交车到站时间预测系统。该方法利用公交车乘客的手机提供的数据来收集周围环境的信息，从而估计公交车的行驶路线并预测公交车到达各个站点的时间。该系统收集附近手机发射塔的标识符，并将这些信息发送到服务器。通过这种解决方案，作者依靠参与用户的协作努力，以便独立于公共汽车运营公司。一个原型是用几种类型的Android手机开发的，在大学校园和新加坡公共汽车上使用了7周的评估期。该方法的评估结果表明，与GPS解决方案相比，预测精度更高。
BENTLY 330130-040-01-00
BENTLY 146031-01
BENTLY 1900/65A
BENTLY 1900/65A-01-01-01-00-00
BENTLY 00E04600EFD8
BENTLY 146031-02
BENTLY 106M1081-01
BENTLY 128240-01
BENTLY 330703-000-070-10-02-05
BENTLY 135462-01
BENTLY 132419-01
BENTLY 132417-01
BENTLY 149992-01
BENTLY 125840-01
BENTLY 330100-90-00
BENTLY 330100-90-01
BENTLY ASSY78462-01U
BENTLY 78599-01A
BENTLY 3500/62
BENTLY 60M100-00
BENTLY 133819-01
BENTLY 24765-02-00
BENTLY 1900/27
BENTLY 135489-01
BENTLY 1900/55
BENTLY 1900/55-0Z-01-01-01
BENTLY 330130-085-00-00
BENTLY 330104-00-05-10-02-00
BENTLY 330901-05-32-05-02-00
BENTLY 330103-00-03-05-02-05
BENTLY 330130-080-00-00
BENTLY 330180-90-05
BENTLY 330108-91-05
BENTLY 125800-01
BENTLY 135613-02
BENTLY 135473-01
BENTLY 135489-04
BENTLY 136719-01
BENTLY 3500/05-01-02-00-00-01
BENTLY 136188-01
BENTLY 135489-03
BENTLY 125388-01H