Este estudio presenta un concepto de trabajo de una arquitectura de modelo que permite aprovechar el estado de toda una red de transporte para realizar estimaciones de tiempo de llegada (ETA) y predicciones de la ubicación del próximo paso. Para ello, se utiliza una combinación de un mecanismo de atención con una biblioteca de codificadores basados en redes neuronales recurrentes (RNN) de cambio dinámico. Con el fin de lograr esto, se empleó un mecanismo de atención que incorpora los estados de otros vehículos en la red al codificar sus posiciones utilizando unidades recurrentes con compuertas (GRUs) de la línea de autobús individual para codificar su estado actual. Al silenciar partes específicas de la información imputada, se puede estimar su impacto en la precisión de la predicción en un subconjunto de los datos disponibles. Los resultados de la investigación experimental muestran que el modelo completo con acceso a todos los datos de la red tuvo un mejor rendimiento en algunos escenarios. Sin embargo, un modelo limitado a los vehículos de la misma línea delante del objetivo fue el que mejor rendimiento tuvo, lo que sugiere que la incorporación de datos adicionales puede tener un impacto negativo en la precisión de la predicción si no agregan información útil. Esto podría ser causado por una mala calidad de los datos, pero también por una falta de interacción entre las líneas incluidas y la línea objetivo. Los aspectos técnicos de este estudio son desafiantes y dieron como resultado un procedimiento de entrenamiento muy ineficiente. Destacamos varias áreas donde se requieren mejoras en nuestro método presentado para convertirlo en una alternativa viable a los métodos actuales. Los hallazgos de este estudio deberían considerarse como una posible y prometedora vía para futuras investigaciones sobre esta arquitectura novedosa. Como tal, es un punto de partida para investigaciones futuras para mejorar las predicciones del transporte público si los operadores de red proporcionan conjuntos de datos de alta calidad.