近年来,随着信息通信技术和交通事业的快速发展,智能交通系统受到了人们和研究机构的广泛关注。作为智能交通系统的重要组成部分,车载网变成了一个具有广阔发展前景的研究领域。车载网具有车辆高速移动、网络拓扑变化快速等特点,这些性质均会导致车载网中的交通和网络通信发生拥塞等现象。在车载网中,动态变化的交通流量引起了网络流量的改变,进而影响了通信方面的网络性能。为了缓解城市交通拥堵和防止网络拥塞,需要对车载网中的交通流量和网络流量进行一定的分析和预测研究,这些研究将具有重要的理论和现实意义。本文基于改进的深度学习模型对交通流量和网络流量进行预测研究,通过对两种流量之间的相关性进行分析并构建新特征,以此提高模型的预测效果。首先,根据交通仿真器和网络仿真器对车载网进行整体仿真,对获取到的交通流量和网络流量进行相关性分析,同时对仿真中的网络通信模型进行性能分析。其次,通过获取到的两种流量数据来构建各自的数据集,再利用二者相关性去构造新的特征并加入到对应的数据集中。然后,采用深度学习中改进后的深度置信网络模型,分别对交通流量和网络流量进行预测,并通过调参数等方式使得预测模型的效果达到最优。最后,将获得的最优结果与其他经典机器学习算法的预测结果进行对比分析。通过建模仿真和结果对比分析,实验结果表明在车载网中交通流量和网络流量存在一定程度的正相关,并且利用此性质构造的新特征对模型的预测具有明显的提升效果。同时,通过对两种流量的相关性分析,为以后设计一种具有拥塞控制功能的路由协议提供了重要的参考价值。除此之外,在交通流量和网络流量的预测效果方面,经过改进的深度置信网络模型优于其他机器学习模型,这证明了深度学习模型在流量预测方面的有效性、可靠性和先进性。