随着经济的快速增长,城市化的加剧发展,居民的生活水平不断提高,各种出行交通越来越便利,随之带来的交通拥堵、能源浪费和环境污染等问题严重影响着居民的生活质量。因此,为了减少乘客的盲目等车时间、提高乘客出行效率、改善交通运状况以及公交车的选择率和使用率,本文针对乘客乘坐公交车所需的等待时间进行了深入研究与分析,主要研究工作如下:首先,提出了公交车等待时间预测的相关研究问题,详细论述了该问题的研究背景及现实意义,研究了智能交通系统的发展现状,总结了传统的交通预测模型和方法。并详细介绍了本文使用的数据集和数据预处理工作,包括缺失值,异常值和文本数据的处理,POI的搜索以及等待时间数据集的构建,最后介绍了五种传统的交通预测模型。其次,分析了影响公交车等待时间的时空特征,发现公交车等待时间是一种时间序列数据,既与同期历史数据有关,又与外界的环境影响有关。因此基于LSTM网络在处理时间序列数据上的优越性,通过引入POI特征刻画空间影响因素,并结合天气等时间影响因素,建立了基于时空特征的公交车等待时间预测模型。实验结果表明,与传统交通预测方法进行了相比,本文提出的预测方法具有更低的预测误差,模型拟合效果更好。进一步研究发现公交车等待时间数据在每天和每周都具有明显的周期性特征,因此在上述模型的基础上,加入了注意力机制,将周期表示引入时空预测模型,提出了基于周期性LSTM的公交车等待时间预测模型,有效地捕获了公交车等待时间数据的周期性特征。与其它线性和非线性预测方法相比,该模型进一步提高了预测精度,且针对不同时间间隔采样的数据集的预测稳定性更好。