随着社会经济的高速发展,城市机动车的数量日益增多,这导致了城市交通系统的供需矛盾变得愈发严重,城市的不断建设已经无法使不断扩张的出行需求得到满足,导致各式各样的交通问题相继出现。因此发展智能交通是交通发展的必然选择,而在一个相对智能化的交通系统中,准确的公交信息对于乘客安排出发时间和合理的路线选择至关重要,开发具有高精度的公交车行驶时间预测模型已经受到越来越多的关注。因此,科学、准确的公交车行驶时间预测具有学术价值和现实意义。本文提出了一种基于深度置信网络(DBN)概念的公交出行时间预测模型。一般来说,深度置信网络本身具有良好的功能学习能力。然而,开发经典深度置信网络是为了从二进制数据中学习特征,但交通数据是连续的。因此,本文采用了深度置信网络中可以处理连续数据的受限玻尔兹曼机变体,称为高斯伯努利受限玻尔兹曼机(Gaussian-Bernoulli RBM 简称 GBRBM)。首先,在该模型中,使用几个高斯伯努利受限玻尔兹曼机(GBRBM)让其在无监督的条件下学习特征。然后引入反向传播(BP)神经网络来预测监督学习中的出行时间。为了准确描述现有的交通状况,在模型中考虑了多个变量,包括公交车运行时间和停留时间(乘客负荷)。最后,根据中国沈阳的实际交通数据,进行了几项实验来验证该技术。结果表明,该模型比k最近邻算法(k-NN),人工神经网络(ANN),支持向量机(SVM)和随机森林(RFs)这几种传统方法更准确。