近年来,随着我国大多数城市经济发展迅猛,越来越多的家用汽车加重了城市交通的拥堵,吸引乘客更多地选择公共交通工具能缓解这种情况。对于城市乘客而言,出行最关心的信息之一是公交车到站时间,准确预测公交车到站时间不仅能让乘客更合理的做好出行规划,降低等车时的焦虑心情,还能帮助公交公司更好的调度,因此研究精准的公交车到站时间预测模型对智慧城市的发展具有重要的实际意义。本文提出将长短时神经网络（LSTM）和生成对抗网络（GAN）相结合的方法来预测公交到站时间。在实验中本文使用Conditional GAN（CGAN）来作为主体网络,并将LSTM作为生成器和判别器的子网络来组成CGAN-LSTM（Conditional Generative Adversarial Network-Long Short-Term Memory）模型。同时,模型中的结构参数,优化器函数、损失函数、激活函数的选择也在实验中进行了优化。最终,通过标签信息对生成器和判别器训练进行指引,再利用两者之间的相互博弈,促使生成器学习到与真实到站时间相似的分布。另一方面,本文还对公交车GPS数据的采集方式及数据格式进行分析,并通过解析公交车的行驶过程及影响因素,设计了获取公交车到站时间的算法,在此算法中引入了缓冲区概念用以增加算法的准确率。对获取的到站时间序列数据进行格式转换和归一化等预处理,为本文的CGAN-LSTM预测模型提供更准确的数据支持。最后,在本论文所用数据集上进行实验最终结果表明,CGAN-LSTM的预测效果显著,且在工作日与非工作日的早、晚高峰时段等不同条件下的预测结果有较强的适应能力。同单独使用LSTM模型或SVR（Support Vector Regression,支持向量回归）模型相比,本文采用的模型精准度更高,更加稳定。由实验结果可知,本文提出的CGAN-LSTM到站时间预测模型不仅在预测结果上有很好的表现,可以在城市中用来对公交车的到站时间进行预测,同时更易于根据实际应用情况的改变做出相应的调整。