本发明提出了一种基于Transformer网络的视频比特率阶梯预测方法、系统及设备，方法包括：获取目标视频；基于Transformer网络构建视频比特率阶梯预测模型并进行训练；根据所述视频比特率阶梯预测模型对所述目标视频进行预测，输出视频预测结果。本发明通过视频比特率阶梯预测模型结合视频时空特征，在自注意力机制的基础上加入局部特征信息，通过确定视频分类即可实时准确地预测视频比特率阶梯，便于用户确定编码视频的码率和分辨率，有效提高预测的实时性和准确性。