随着城市现代化进程的加快,优先发展公交,建立智能公共交通系统成为了解决城市交通拥堵和缓解环境污染的有效途径。其中,公交车到站时间预测是信息化公交系统的重要措施。公交车的到站时间是乘客和调度部门最关心的公交信息之一。基于此,乘客可以规划行程;调度部门可以进行合理调度。众多的随机因素,如交通状况、天气以及一些重大事件的发生都会影响到公交车的到站时间。此外,公交车到站时间预测问题是一个多步预测的任务。基于上述考虑,本文提出了一种基于异构信息的时间序列预测算法,以递归神经网络为核心,从建立交通长时依赖关系的角度预测公交车的到站时间。首先,鉴于目前没有公认的数据集,建立了北京市公交运营数据集。在公交车运营过程中采集的原始定位数据在进行初筛选之后,通过站点匹配、时间匹配等过程,被转化为每一次运营的时间距离数据对。据我们所知,该数据集是目前为止最大的数据集,为公平的和目前众多算法进行比较提供了可靠准确的数据基础。其次,研究了目前已有的异构信息,包括静态数据(来自于基础设施的描述)和动态数据(来自于历史的运营数据)所对应的因素对交通状态的直接或间接影响。引入独热编码对不同的位置进行区分,并将这些位置对应的特征(时间、距离、静态属性等)从异构信息中提取出来。提取的特征被融合到向量空间,最终形成了公交运营序列。区分于基于单一数据的统计或者回归进行预测的思想,采用长短时记忆神经网络来捕获隐藏于公交运营序列中的交通长时依赖,学习交通变化和公交车运行的关系。网络的展开对应着公交车的运行,当新特征输入时,该模型可以对在之前步骤做出的预测进行纠正,具有较强的动态适应性。和常见算法的实验对比结果也证明了基于异构信息的时间序列预测算法的有效性。最后,将计程车OD数据引入公交车到站时间预测问题中。人类出行是引起交通变化的关键因素,基于OD数据挖掘的城市居民出行模式具有随时空规律性变化的特点,可以为预测提供先验信息,即出行强度。实验证明,该信息的加入提高了模型的预测能力。如何在模型中融入更多时空关系成为了研究的一个重要方向。