Los datos de tiempo de viaje son un factor importante para evaluar el rendimiento de un sistema de transporte público. En términos de tiempo y espacio dentro de la naturaleza de la incertidumbre, el tiempo de viaje en autobús es dinámico y flexible. Dado que el cambio del estado del tráfico es periódico, contagioso o incluso repentino, el mecanismo cambiante de eso es un modo oculto. Por lo tanto, la predicción del tiempo de viaje en autobús es un problema desafiante en el sistema de transporte inteligente (ITS). Permitiendo que se pueda recopilar una gran cantidad de datos de tráfico en la actualidad pero careciendo de precisión en la realización, aún vale la pena explorar cómo extraer conjuntos de características que puedan predecir con precisión el tiempo de viaje en autobús a partir de estos datos. Por lo tanto, se desarrolló un marco de extracción de características basado en los modelos de aprendizaje profundo para reflejar el estado del tiempo de viaje en autobús. Primero, el estudio presentó diferentes etapas históricas del tiempo de señalización de autobuses, la velocidad de los taxis, la identidad de parada (ID) de características espaciales y el tiempo de llegada posible en tiempo real, representado por catorce valores característicos espacio-temporales. Luego, se propuso una red de inserción para aprovechar una estructura amplia y profunda para relacionar los datos espaciales y temporales. Para cumplir con los requisitos de dependencia temporal, se diseñó un mecanismo de atención para una Red Neuronal Recurrente (RNN) en esta investigación para capturar la información temporal. Finalmente, se implementó una Red Neuronal Profunda (DNN) en esta investigación para lograr la predicción dinámica del tiempo de viaje en autobús. Se realizaron dos estudios de caso en Guangzhou y Shenzhen. Los resultados mostraron que el rendimiento del algoritmo fue más eficiente que el del modelo de aprendizaje automático tradicional y se vio promovido en un 4.82% en comparación con la red neuronal profunda aplicada al espacio de características inicial. Además, el estudio visualizó el costo ponderado de la atención en las características del tiempo de viaje del autobús durante un estado de ejecución específico. Por lo tanto, el estudio demostró que el modelo propuesto permitió comprender los datos característicos del tiempo de viaje en tránsito con visualización.