Con la aceleración de la urbanización, los sistemas de programación de autobuses urbanos enfrentan desafíos sin precedentes. La programación tradicional de autobuses proporciona el tiempo de programación original y el tiempo planeado de llegada al destino, donde el tiempo de programación es la hora de salida del autobús. Sin embargo, varios factores encontrados durante el trayecto resultan en diferencias significativas en el tiempo de conducción del autobús. Para garantizar llegadas a tiempo, el sistema de programación de autobuses tiene que depender de ajustes manuales para optimizar el tiempo de programación y determinar la hora real de salida. Con el objetivo de reducir el costo de programación y alinear el tiempo de programación más cerca de la hora real de salida, este documento propone un modelo de programación dinámica, LSTM-SVR, que aprovecha las ventajas de LSTM en la captura de características de series temporales y la capacidad de SVR para tratar problemas no lineales, especialmente su capacidad de generalización en conjuntos de datos pequeños. En primer lugar, LSTM se utiliza para capturar eficientemente las características de datos de series temporales multidimensionales y convertirlas en salidas de características efectivas unidimensionales. En segundo lugar, SVR se utiliza para entrenar la relación no lineal entre estas características unidimensionales y las variables objetivo. En tercer lugar, las características de series temporales unidimensionales extraídas del conjunto de pruebas se introducen en el modelo no lineal generado para predecir y obtener el tiempo de programación predicho. Finalmente, validamos el modelo utilizando datos reales de un sistema de programación de autobuses urbanos. Los resultados experimentales muestran que el modelo híbrido propuesto LSTM-SVR supera a los modelos LSTM-BOA, SVR-BOA y BiLSTM-SOA en la precisión de predecir el tiempo de programación de autobuses, confirmando así la efectividad y el rendimiento de predicción superior del modelo.