周任军，王文晶

(山西大学商务学院，山西 太原 030031)

1 引言

网络流量[1]是判定网络性能和运行状态的重要指标，对网络流量进行预测，进而对流量进行适当调整以及控制，对网络管理具有重要意义。为建立精准、稳定的网络流量预测模型，近年来神经网络成为该研究领域关注的焦点，相关研究人员提出了较多研究成果。

胡竟伟[2]提出基于小波变换和极限学习机的流量预测模型。该方法小波变换处理网络流量的时间序列，对得到的不同频率特征分量进行空间重构。选用极限学习机对网络流量各分量建模预测，并对各分量的预测值进行小波重构，得到初始网络流量预测数值。该方法具有稳定性，但是存在预测精度较低的缺陷。刘科[3]等人提出基于生物地理学优化算法的BBO-ELM预测模型。首先在ELM预测模型的基础上，将BBO优化算法用于ELM的网络输入变量、隐含层节点的配置及参数。在此基础上进行Tikhonov正则化参数的优化选取。该模型的网络流量预测准确度较高，但是抗干扰能力较差。强延飞[4]等人针对网络性能优化中短期流量预测模型选择问题，采用支持向量回归、神经网络和线性时间序列等模型，对MAWILab数据集中骨干网流量进行短期预测。利用一步预测方法，得到不同流量序列样本的预测结果，通过量化预测误差比较不同模型的预测性能。该方法有较好的预测准确度，但是记忆能力较差。

针对以上传统方法存在的不足，提出新的基于深度神经网络的网络流量预测模型。……