随着智能交通系统的快速发展，高效可靠的交通流量优化控制预测显得尤为重要。本文将深度学习技术引入边缘计算，在不影响系统性能的前提下，实现边缘控制与大型数据模型的协同优化。首先分析了利用深度学习进行交通流量预测的模型构建过程，并通过边缘计算实现实时预测结果的反馈。之后对大模型在边缘计算下的优化算法进行了深入设计和研究，以减少数据计算压力，提高系统的智能化水平。最后的结果表明，所提方法在预测精度、计算效率、系统鲁棒性等方面均优于传统方法，具有非常好的实用价值和广阔的应用前景。结合广泛的实证数据，进一步证明了深度学习与边缘计算结合在智能交通系统中的高效性与可行性，为未来智能交通系统的发展提供了新的研究途径。