Apuntando a los problemas que los modelos de predicción actuales son incapaces de extraer la regla interna de la secuencia de flujo de tráfico en grandes datos de tráfico, y no pueden aprovechar completamente la relación espacio-temporal del flujo de tráfico para mejorar la precisión de la predicción, en este documento se propone una Red Neuronal de Regresión Bidireccional (BRNN), que puede aplicar completamente la información contextual de las intersecciones de carreteras tanto en el pasado como en el futuro para predecir el volumen de tráfico, y además para compensar la deficiencia de que los modelos actuales solo pueden predecir la salida del próximo momento según la información de la serie temporal en el momento anterior. Al mismo tiempo, se diseña un código vectorizado para filtrar las intersecciones relacionadas con el punto de predicción en la red de carreteras y para entrenar y predecir mediante la introducción de los datos de seguimiento de las intersecciones seleccionadas en BRNN. Además, el modelo se prueba a través de los datos de tráfico reales en un área parcial de Shen Zhen. Los resultados indican que, en comparación con los modelos actuales de predicción de tráfico, el modelo en este documento es capaz de proporcionar la evidencia necesaria para la orientación y el control del tráfico debido a su excelente rendimiento en la extracción de la característica espacio-temporal de la serie de flujo de tráfico, lo que puede mejorar la precisión en un 16.298% en promedio.