1.一种预测公交车到站时间的方法，其特征在于，包括：
S1、采集一定时间内的公交车数据以及公交线路数据，基于空间插值法，获得公交车在各数据点的时距数据对；
S2、基于所述时距数据对，获得公交车运营序列；
S3、将所述公交车运营序列输入至LSTM递归神经网络，获得公交车到站时间预测模型；以及
S4、对所述公交车到站时间预测模型基于链式预测法，获得预测的公交车到站时间。
2.如权利要求1所述的预测公交车到站时间的方法，其特征在于，所述公交车数据包括：公交车编号、公交车所属线路的线路编号、公交车的地理位置数据、公交车的地理位置数据的采集时间、运营次数以及上下行方向；
所述公交线路数据包括：公交线路的线路编号、线路中各站点编号、各站点的地理位置数据、各路口的地理位置信息以及上下行方向。
3.如权利要求2所述的预测公交车到站时间的方法，其特征在于，所述步骤S1包括：
S1.1、采集一定时间内的公交车数据以及公交线路数据，获得对应不同线路、不同运营次数的公交车的历史时距数据信息，所述历史时距数据信息包括所述线路的首站点和末站点的地理位置数据、线路总距离和总到站时间；以及
S1.2、基于所述历史时距数据信息，通过空间插值法，获得各数据点的积累距离；以及
S1.3、对各数据点的积累距离，基于线性回归算法获得公交车到达除首站点外的到站时间，将所述积累距离和对应的到站时间作为公交车到达该数据点时的时距数据对。
4.如权利要求3所述的预测公交车到站时间的方法，其特征在于，所述步骤S2包括：
S2.1、将公交车到达各数据点时的时距数据对、当前数据点与下一数据点的间距、共享同一个站点的线路总数以及数据标识符作为特征向量，构成对应各数据点的公交车运营特征向量；
S2.2、对所述公交车运营特征向量中除数据标识符外的各特征向量依次进行归一化处理和去均值处理，获得所述公交车运营序列。
5.如权利要求4所述的预测公交车到站时间的方法，其特征在于，所述步骤S3包括：
S3.1、对每一批数据，在公交车到达每一个数据点的时刻向LSTM递归神经网络输入该批数据对应的公交运营序列，经前向传播，所述LSTM递归神经网络存储交通状态，并输出网络输出值；以及
S3.3、比较所述网络输出值和此时刻的目标输出值，获得均方误差，同时使用时间展开的后向传播计算并传递残差，对所有批的数据完成一次前向和后向传播的过程称为一次迭代，经多次迭代，获得所述公交车到站时间预测模型。
6.如权利要求5所述的预测公交车到站时间的方法，其特征在于，所述步骤S3.1前还包括：
基于所述公交车运营特征向量的维度，对所述公交车运营序列进行分批，获得若干批数据。
7.如权利要求5所述的预测公交车到站时间的方法，其特征在于，所述步骤S3.2还包括：基于随机梯度下降法，对LSTM递归神经网络中的权值和偏置进行更新。
8.如权利要求5所述的预测公交车到站时间的方法，其特征在于，所述步骤S4包括：
S4.1、将公交车的当前位置到预测位置之间的其他数据点作为辅助点；
S4.2、向所述公交车到站时间预测模型输入基于当前位置计算的公交车运营特征向量，经前向传播获得公交车运行至第一个辅助点的预测的到站时间；
S4.3、将所述预测的到站时间将作为下一辅助点对应的到站时间，结合其余特征向量，构成下一辅助点的公交车运营特征向量，重复步骤S4.2，直至获得预测位置的网络输出值；以及
S4.4、对所述步骤S4.3的网络输出值进行反去均值和反归一化处理，获得预测的公交车到站时间。
9.如权利要求3-8任意一项所述的预测公交车到站时间的方法，其特征在于，所述数据点包括站点、采样点以及公交车的地理位置数据；
其中，线路自首站点起，每100m设置一个所述采样点。