虞丰檑，徐展琦，张林杰，杜 爽

(1.西安电子科技大学 综合业务网理论及关键技术国家重点实验室，陕西 西安 710071；2.中国电子科技集团公司第五十四研究所，河北 石家庄 050081)

0 引言

随着因特网技术的迅猛发展和网络业务的激增，需要有效的网络管理以提高网络服务质量[1]。网络流量作为网络管理与运营中的重要参数，对其进行准确预测有助于优化网络资源分配，减少网络拥塞并提高用户服务体验质量[2]。

网络流量预测模型分为线性与非线性两种，传统的线性模型包括自回归(AR)模型、移动平均(MA)模型以及自回归积分移动平均(ARIMA)模型[3]等，此类模型原理简单、易于实现。但是，随着网络业务的急剧增加和基础网络在规模、体制以及组网形态等方面的多样性发展，网络流量的自相似性、长相关性、重尾性和混沌性愈加明显，线性模型的预测误差较大。在预测具有复杂特性的网络流量时，非线性预测模型拟合能力强，性能明显优于线性预测模型，因此得到广泛应用。非线性模型主要包括基于小波的预测模型[4]、支持向量机(SVM)[5]以及神经网络(NN)等，其中的NN由于具有强鲁棒性和自学习特性，在流量预测中有较好的应用。例如，杜振宁[6]结合反向传播神经网络(BPNN)和布谷鸟算法进行网络流量预测，Song[7]等提出基于粒子群优化(PSO)算法的径向基神经网络(RBFNN)预测模型，Yang[8]等采用增强学习优化的长短期记忆神经网络(LSTMNN)进行超长期网络流量预测。

本文简述BPNN、RBFNN和LSTMNN的原理，利用这些NN预测不同时间尺度的网络流量，分析其预测方面的性能、优缺点和适用场景，试图为基于NN的故障预测和故障定位的学术研究及实际应用提供技术支撑。……