本发明涉及一种基于深度状态空间模型的网络流量预测方法，包括：S1、获取网络流量数据，进行归一化处理，划分为训练数据和测试数据；S2、构建基于注意力机制的深度状态空间模型，包括空间状态提取器、外部特征提取器、卡尔曼滤波和自回归模块，其中，卡尔曼滤波分别采用线性卡尔曼滤波和扩展卡尔曼滤波，提取网络流量数据的高时变动态；S3、训练数据输入到深度状态空间模型中，基于TensorFlow框架，采用端到端的方式进行迭代训练，判断模型是否收敛，若是转至S4；S4、将测试数据输入已训练好的深度状态空间模型，根据评价指标对模型的性能进行评估。与现有技术相比，本发明具有提升流量预测模型的预测精度，改善模型的预测性能，具有可解释性等优点。