为探究预测性能更优的沥青路面车辙变形预测模型,更好地捕捉预测过程中基本特征和时序特征的潜在关联性,通过下载并预处理LTPP数据库中与沥青路面车辙相关的路面结构材料、交通荷载、气候环境及路用性能数据,构建一个高质量样本数据集。并使用注意力方法融合 BP神经网络和长短期记忆神经网络,建立性能更优的基于深度学习的 LSTM- BPNN 车辙预测模型。最后将此模型与其他4种常用预测模型进行比对试验,评估该模型的精确性和有效性。结果表明:LSTM-BPNN 模型预测性能表现优异,训练集和测试集上的 R² 分别达到0.821和0.796,能充分捕捉与沥青路面车辙相关的基本特征和时序特征;在比对试验中此模型R² 和RMSE 均好于其他常用模型;另外此预测模型具有较强的泛化能力, 将目标特征和预测特征进行更换,可实现更广泛的应用。