随着我国国民经济的迅速发展,各大城市的交通拥堵问题愈发严重,极大影响了人们的出行效率。针对此类问题,研究人员利用多种算法对路网速度变化趋势进行预测,希望根据预测结果对交通进行疏导,但是现阶段的交通拥堵预测研究是基于单一路段,对于多条路段所组成的路网交通预测精度较低,无法很好的表现出路网真正的速度态势。本文基于此类问题,将路网不同时段的速度变化抽象成图片,逐帧播放,通过前几帧图像预测后几帧,在此基础上本文利用深度学习挖掘路网内部各个路段的时空特征,对未来路网速度状态进行更为精准的预测,主要分为以下三步:1.对路网进行网格化划分:用特定大小的网格对路网进行分割,建立路网状态矩阵,采取这种方式能够使路网特征得到保留,既可以让路段的相对位置不变,也能够有效避免路段形态的变化。2.提取空间特征:将网格化处理后的路网矩阵作为输入,利用卷积神经网络对各条路段的空间特征进行挖掘。3.提取时序特征:将卷积神经网络处理后的输出数据作为递归神经网络的输入数据,通过LSTM神经网络对路网的时序特征进行挖掘,并预测路网最终的速度变化趋势。模型构建完毕后,以北京市三环内的城市道路数据为实例对本模型进行验证,同时与传统神经网络、卷积神经网络、递归神经网络的预测结果进行对比。实验结果表明,本模型在密集型路网和分散型路网中的预测结果都更为准确,20分钟内预测准确度均在90%以上。通过和现有预测模型多角度对比,验证了本文模型在路网拥堵态势预测上的适用性和优越性。