在城市的交通系统中,公交网络系统是非常重要的一部分,而在构建智能公交系统的过程中,提高公交网络资源利用率以及准确预测公共交通车辆到达时间极为关键。准确预测公交车到达时间是公共交通领域的难题。传统的预测方法主要利用到达时间和站间距离,而没有充分利用乘客数量、停留时间、公交行驶效率等动态因素,而这对公交到站时间有显着影响。与此同时,近年来人工智能新硬件与公共交通结合是提升城市交通智能化的新兴发展趋势,但是如何对算法进行性能优化、如何通过集成度高的平台(如FPGA、嵌入式等)进行算法实现也是需要讨论及解决的问题。为了克服传统方法的缺点,本文提出了公交行驶效率的评定方法与一种基于具有双阶段注意机制的循环神经网络(RNN)的新型公交车到达时间预测方法。首先,本文通过对共公共交通行驶车辆到达时间预测的模型及算法的深入研究,发现DA-RNN(基于双阶段注意力的递归神经网络)的性能优于其他经典的预测模型。我们选择引入注意机制以从异构信息中自适应地选择最相关的因素,并建立了一个基于DA-RNN(基于双阶段注意的递归神经网络)的预测网络。其次,本文发现在公交到达时间预测模型中输入动态因素可以提高公交车到站时间预测的准确性。为此,本文对城市公共交通网络中的车站进行建模,以网络连边作为站点间行驶路线分析公交车行驶效率,提出了一种公交行驶效率的计算方法,以此作为动态因素。同时建立了包含动态因素的数据集,以此数据集进行实验结果表明,使用动态因素后,各种预测算法(例如SVM,卡尔曼滤波器,MLP和RNN)的性能均有显着改善。最后,本文提出的具有注意机制的RNN模型不仅充分利用了历史信息,还从静态和动态因素中捕获了预测的关键特征。本文运用济南市公交车行驶的真实数据进行了实验,并在相同数据情况下,进行了多种方法的实验,通过实验结果对比分析,本文提出的方法在济南公交公司提供的数据集上表现优越。