本公开涉及一种基于联邦学习的大范围路网交通流状态预测方案，其特征在于，包括：步骤一、构建有向图；步骤二、建立初始模型；步骤三、随后使用反向传播算法更新训练参数；步骤四、使用联邦平均算法得到预测结果。基于上述方法，将大范围路网分解成若干子网，每个子网中的若干基站收集一段时间内一定范围内车辆的交通流特性，并且每一个基站当成联邦学习当中的一个参与者，让他们分别接收全局模型，在局部使用自己的数据集对当前子网交通流预测模型进行训练，随后再上传至服务器进行全局聚合，并由服务器进行路网未来状态进行预测。不仅能够有效的降低服务器的运算成本，还能够使模型的训练效率更高，预测效果更好。