La predicción precisa del tráfico es crucial para aliviar la congestión del tráfico en las ciudades. Los métodos existentes de adquisición de datos de tráfico basados en sensores físicos tienen altos costos de transmisión, una grave redundancia de información de tráfico y grandes volúmenes de cálculo para el procesamiento de datos espaciotemporales, lo que dificulta garantizar la precisión y la predicción en tiempo real del tráfico. Con el aumento de la resolución de las imágenes de vehículos aéreos no tripulados (UAV), el uso de imágenes de UAV para obtener información de tráfico se ha convertido en un punto focal. Sin embargo, se descuida el análisis y la predicción del estado del tráfico después de extraer la información de tráfico. Desarrollamos un marco para la extracción y predicción de la velocidad del tráfico basado en el procesamiento de imágenes de UAV, que consta de dos partes: un módulo de extracción de información de tráfico basado en el reconocimiento de imágenes de UAV y un módulo de predicción de velocidad del tráfico basado en aprendizaje profundo. Primero, utilizamos métodos de aprendizaje profundo para automatizar la extracción de información de carreteras, implementamos el reconocimiento de vehículos utilizando redes neuronales convolucionales y calculamos la velocidad promedio de los tramos de carretera basándonos en la coincidencia de imágenes pancromáticas y multiespectrales para construir un conjunto de datos de predicción de tráfico. Luego, proponemos un módulo de predicción de velocidad del tráfico mejorado por atención que considera las características espaciotemporales de los datos de tráfico y aumenta los pesos de las carreteras clave al extraer características espaciotemporales finas importantes dos veces para mejorar la precisión de la predicción de las carreteras objetivo. Finalmente, validamos la efectividad del método propuesto en datos reales. En comparación con el algoritmo base, nuestro algoritmo logra el mejor rendimiento de predicción en términos de precisión y estabilidad.