为提高BP神经网络预测精度,基于深度学习理论提出一种深度信念网络(DBN)算法优化传统BP神经网络预测模型。该预测算法由多层限制玻尔兹曼机(RBM)组成,采用无监督学习算法训练参数,然后利用反向学习微调网络参数,进而优化BP神经网络的阈值和权值,通过训练模型求得最优解。实验表明,该预测模型克服了传统神经网络容易陷入局部最优以及函数拟合度不高的缺点,可有效提高交通流预测精度。