Para mejorar la gestión de las emisiones de NOx de los autobuses híbridos eléctricos, este documento desarrolla un modelo de predicción de emisiones instantáneas de NOx para autobuses híbridos eléctricos basado en un método de aprendizaje por apilamiento de dos capas. Se seleccionan diecisiete parámetros, incluidos los parámetros de características operativas de los autobuses híbridos eléctricos, los parámetros de funcionamiento del motor y los parámetros de funcionamiento del dispositivo de tratamiento de emisiones, como características de entrada para el modelo. Los resultados del análisis de correlación indican que los coeficientes de correlación de Pearson de la temperatura del refrigerante del motor y la temperatura del dispositivo de tratamiento de emisiones de reducción catalítica selectiva (SCR) muestran una correlación negativa lineal significativa con la masa de emisión instantánea de NOx. El análisis de Información Mutua (MI) revela que el volumen de aire de admisión del motor, la temperatura del dispositivo de tratamiento de emisiones SCR y el consumo de combustible del motor tienen relaciones no lineales fuertes con la masa de emisión instantánea de NOx. El modelo de aprendizaje por apilamiento de dos capas selecciona eXtreme Gradient Boosting (XGBoost), Random Forest (RF) y una red neuronal BP optimizada como aprendices base, con un modelo de regresión lineal como aprendiz meta, prediciendo efectivamente la masa de emisión instantánea de NOx de los autobuses híbridos eléctricos. Las métricas de evaluación del modelo propuesto - error absoluto medio, error cuadrático medio y coeficiente de determinación - son 0.0068, 0.0283 y 0.9559, respectivamente, demostrando una ventaja significativa en comparación con otros modelos de referencia.