随着社会经济的高速发展,机动车保有量的急剧增加,导致城市交通系统供需矛盾越来越严重,以至于城市道路的建设措施远远不能满足其增长不断的出行需求,进而出现了各种交通问题。智能交通系统的应用在城市道路动态交通管理当中起到了关键性的作用,而交通流预测作为智能交通系统中的核心技术,有效地缓解了严重的交通拥堵问题。因此,科学、准确的预测城市道路的交通流量具有学术价值和现实意义。针对目前本研究领域中对交通流时序数据分析的复杂性和高度不确定性等问题,本文应用深度学习对非结构化时序数据分析的优势,提出了一种基于改进的深度置信网络的城市道路交通流预测方法,并且又针对受限玻尔兹曼机只接受二进制输入而导致数据丢失以及其在训练网络模型参数时收敛速度缓慢的问题,进一步提出了一种在改进的深度置信网络的基础上引入自适应学习步长的城市道路交通流预测方法。首先针对交通流数据的分析复杂性问题,提出了一种将交通流时间序列数据转化为非结构化时间序列数据的数据预处理方法。然后针对预处理后的非结构化数据应用改进的深度置信网络进行预测方法的训练及交通流的预测。本文的预测模型是结合受限玻尔兹曼机和连续受限玻尔兹曼机来负责模型的无监督学习,使用BP神经网络来负责模型的监督学习,经过不断地测试和调整模型参数,使得整个预测模型的预测误差达到收敛来完成预测模型的训练,进而利用预处理后的非结构化时序数据预测出交通流量。最后分别使用传统深度置信网络和改进后的深度置信网络对非结构化的交通流数据进行预测,实验结果表明,引入自适应学习步长的改进的深度置信网络的城市道路交通流预测模型具有较高的预测准确率,能够较为有效地处理城市道路交通流量的预测问题。