随着Internet的迅猛发展和更多的计算机联入Internet,互联网环境日趋复杂。为了实现资源共享的最终目标,网络传输数据量日益扩增,随之而带来的问题、故障层出不穷,给网络管理工作带来了沉重的负担。因此深入理解网络的行为特性和控制机制显得尤为重要。通过对网络流量的预测,了解网络之间的流量情况,以至对网络流量进行比较精确的分析和预测,十分有利于网络的设计和控制;通过设置路由功能,设计负载均衡,可以尽可能使拥塞带来的信息延迟和损耗程度降之最低;而且可以对网络进行入侵检测,发掘和排斥隐藏的攻击入侵行为。因此网络流量预测的可行性和必要性显得尤为重要,特别是高质量的预测对于管理和设计大规模网络环境意义重大。本文研究的宗旨是为了提高网络流量的预测精度和稳定性,作者的工作是探索出新的网络预测模型。第一,全面叙述了网络流量预测的背景、意义以及研究现状,为后续的研究工作奠定了基础;第二,分析了网络流量的重要特性,包括自相似性、长相关性、多重分形特性等,这对掌握流量预测本质,对提高预测的精度有着重要的意义。第三,在理解网络流量特性的基础上,分析了几种传统的网络流量模型,这对于用智能算法构造流量预测模型有着重要的指导意义;第四,建立了基于小波包消噪和Elman网络的网络流量预测模型。针对传统Elman网络预测精度低,结合小波包消噪和Elman神经网络的优势,先将原始流量序列进行小波包消噪,将消噪后的序列作为Elman神经网络的输入,待预测序列作为输出。通过消噪后的前N天的流量序列,预测出后M天流量序列。第五,提出一种新的网络流量预测模型,基于小波分析和AR-LSSVM理论,首先通过小波分析的方法对原始序列进行小波分解,再进行单支重构操作,利用最小二乘支持向量机和自回归模型分别预测,最后再一次进行重构操作,最终实现原始序列的预测结果,提高了网络流量的预测精度以及稳定性。第六,建立了基于QPSO优化BP的网络流量预测模型。针对PSO算法的缺点,采用QPSO算法对BP神经网络的权值和阈值进行优化,并利用历史记录训练BP网络。