针对交通模式复杂和动态的时空相关性导致现有预测方法在结构深度和预测尺度方面不足以学习交通演变的问题，提出了一种结合胶囊网络（CapsNet）和深层双向LSTM(DBiLSTM)的深度学习模型。该模型采用CapsNet识别路网的空间拓扑结构并提取空间特征，融合D-BiLSTM网络，同时考虑交通状态的前向和后向依赖关系，捕获不同历史时期的双向时间相关性，对目标区域内大规模复杂路网的交通进行预测。在真实交通路网速度数据集上进行的实验表明：提出模型的预测精度平均提高了10%以上，优于其他方法，在区域复杂路网的交通预测中具有较高的预测精度和良好的鲁棒性。