随着经济的发展与技术的进步,智慧城市概念应运而生,通过使用先进的信息技术,实现城市的智能化管理和运行,为城市中每一个人创造更好的生活。智慧公交是智慧城市的重要组成部分,满足了人们绿色出行与快捷出行的需求。公交车到站时间预测是实现智慧公交的基础,提高公交车到站时间预测的准确度对实现智慧公交和智慧城市具有重要意义。首先,本文分析影响公交车到站时间的不同因素,对公交车GPS数据进行预处理,生成公交车基础数据集。其次,提出聚类与循环神经网络相结合的公交车到站时间预测模型—PBCR模型。然后,实现PBCR模型在Spark平台的并行化。最后,通过实验的方法验证了模型的有效性。本文提出的创新点包括以下两个方面:1)提出了一种聚类与循环神经网络相结合的公交车到站时间预测模型—PBCR模型。PBCR模型的核心思想是使用模糊K均值聚类算法进行时段划分,在每个时段使用循环神经网络进行公交车到站时间预测。实验结果表明,本文提出的PBCR模型具有可行性与有效性。2)实现PBCR模型在Spark平台上的并行化。公交车GPS数据具有数据量大的特点,为了更好地挖掘数据信息,处理海量数据,实现PBCR模型的并行化是很有必要的。实现PBCR模型并行化的重点与难点在于实现循环神经网络的并行化,本文在Spark平台采用数据并行的方式实现了循环神经网络的并行化。实验结果表明,并行化的PBCR模型具有良好的可扩展性,通过扩展集群中的节点数量减少算法运行时间。