在目前国内的公交运营系统普遍只提供首末站发车时间的环境下,准确地预测公交车到达时间对于想要确定出发时间,减少候车时间的乘客来说非常重要。同时,拥有更高预测精度和预测时长的到站时间预测系统,同时能有效提升公交调度系统的效率。为进一步提高中长期时间内的公交车辆到站的预测精度和可靠性,在现有预测方法而基础之上,利用公交多源数据,建立了一种基于LSTM的深度学习方法,用以对公交出行时间进行多步预测,并对本方法进行了实测数据的校正和验证。首先,本文基于对公交到站问题的运行机理,建立了基于多源公交数据的到站时间预测模型,并将到站问题界定为一个时序数列的多步预测问题。根据多步预测问题的特性和到站时间预测模型,选择引入LSTM长短时记忆算法,以递归神经网络为核心,从学习交通长时依赖关系的角度预测公交车的到站时间。其次,本文研究了现有的多源公交数据集,鉴于目前的数据集大多只统计了静态数据和历史GPS运营数据,对研究公交运行状况帮助有限。本文从多源公交信息中提取相应的动态因素。提取的动态因素被合并到向量空间中,最终形成本文使用的训练集。以实际数据为例,将本文提出的LSTM预测模型与其他三类主流预测模型(BP神经网络,SVR,KNN)在5个静态影响因素(运行时段、天气状况、道路基础设施、交叉口和高峰与非)的基础上,增加设计了2个与公交运行状态相关的动态影响因素(站点上车人数、公交卡刷卡类型),并分析多源公交数据相互作用对公交到站时间产生成的影响。最后,以实际数据为例,根据多种不同维度的数据输入输出方案,将LSTM模型与BP神经网络,SVR,KNN等预测模型结果进行对比,并对模型性能进行分析和改进。与其他传统模型进行比对的结果表明:与基于单一数据或回归的预测思想不同,LSTM能够捕捉隐藏在公交运营顺序中的交通的长期依赖性,并学习各类因素变化与公交运营之间的关系。网络的扩展对应于总线的操作。输入新要素时,模型可以纠正前面步骤中的预测,并具有很强的动态适应性。与常用算法的实验比较也证明了基于多源公交数据的多步预测算法的有效性。