网络流量预测是采用一定的预测模型,根据收集的网络流量变化数据对将来某一时刻网络流量进行预测,为网络管理员掌握网络运行状况提供一定指导。传统网络流量预测方法有线性回归模型、泊松模型、马尔可夫模型和时间序列预测模型,由于网络流量数据是实质上一种时间序列,因此时间序列模型是最为常用的传统模型。近些年来,非线性预测理论进行深入的发展,出现了像神经网络、支持向量机等机器学习方法,并将它们应用于网络控制管理中。论文首先研究和分析了小波变换技术和当前几种常用的网络预测模型。通过研究我们发现时间序列分析是传统网络流量模型的基础。借助这个特点,传统流量模型在平稳序列方面拥有良好的预测能力。但是在网络日益复杂化的今天,网络流量开始出现不平稳的特点,这样,传统网络模型在预测能力上就表现得力不从心了。通过对小波技术的研究讨论,我们发现小波技术可以对具备长程依赖性的流量数据作去相关处理,可以将在时域不好处理的问题转变到频域中来。小波技术的这种多分辨的特点可以高效地处理因网络流量的突发性,相似性,自相关特性等等纠结在一起造成的复杂情况。虽然被小波技术逐层解构到不同的频域上的信号变得单一,但是却更加平滑。因此本文提出了一种混合模型设计方案。首先将信号分解成线性部分和非线性部分,然后分别利用针对性的模型加以预测和分析,最后合并得到最终预测结果。这里只要指通过引入小波技术,并将其与传统流量模型结合,这样就可以充分将传统流量模型在平稳序列预测方面精度上的优势发挥出来。首先利用小波分解技术将非平稳时间序列分解成适当的不同频段上的多个平稳时间序列,随后利用传统网络流量模型对这平稳时间子序列分别建模,最后将子序列在原尺度上恢复并获得预测结果。在引进小波分解技术提高预测精度的同时,我们意识到,如果对分解层数分别建模,这样的方法将会严重影响到时间的复杂度。因此本文考虑利用合适的流量预测模型,尽可能减少建模次数。这种方法的前提是相似序列的特性平稳,平稳序列进行代数运算仍然是平稳的,因而仍然可以得到合理的最终结果,实验证明,预测精度没有受到影响。通过实验证明,这种改善时间复杂度的措施并没有影响到预测的精度,预测结果相比在引入小波分解技术后进行简单的所有子序列完全建模的方式甚至有所提高。因此,该利用小波和多种网络模型混合进行网络流量预测的方法是完全可行的。