随着互联网技术的快速发展,新应用大量涌现,网络流量爆发式增长,静态的网络拓扑无法适应动态变化的流量,导致网络性能下降。针对该问题,本文提出一种基于流量预测的智能拓扑重构策略。首先,利用深度学习模型预测未来多个时隙的流量,然后,利用深度强化学习模型构建适应未来多个时隙流量的虚拟网络拓扑（Virtual Network Topology,VNT）,在降低网络时延的同时减少网络抖动。（1）为充分利用流量数据的时序与周期特征,提升流量预测准确率,本文提出一种基于深度学习的流量矩阵预测模型（Deep Learning-based Traffic Prediction Model,DLTP）,卷积神经网络（Convolutional Neural Network,CNN）利用周期性特征进行预测,循环神经网络（Recurrent Neural Network,RNN）根据时序性特征进行预测,最后深度神经网络（Deep Neural Network,DNN）融合两种神经网络的预测结果输出未来多个时隙的流量矩阵。本文在公开的Abilene和G（?）ANT骨干网数据集上对流量预测模型进行仿真验证。实验结果表明,与基于长短期记忆网络（Long Short-Term Memory,LSTM）、长期循环卷积网络（Long-term Recurrent Convolutional Network,LRCN）和交互时间循环卷积网络（Interactive Time Recurrent Convolutional Network,ITRCN）流量预测模型相比,本文提出的流量预测模型DLTP在两个数据集上表现优异。在均方根误差方面与另外三种预测模型相比,综合两个数据集平均降低了33.23%,26.85%和24.12%。（2）为降低网络时延和重构抖动,本文提出一种基于深度强化学习的拓扑重构算法（Deep Reinforcement Learning-based Topology Reconstruction Algorithm,DRLTR）。智能体根据当前时隙虚拟网络拓扑和未来多个时隙的流量矩阵决定是否进行拓扑重构,及如何构造适应未来多个时隙流量矩阵的虚拟网络拓扑。为衡量重构拓扑带来的收益与抖动,本文将拓扑重构前后的时延减少量与改变链路数之比定义为重构收益率,并以其构造智能体的奖励函数。与其他拓扑重构算法相比,DRLTR决策的网络拓扑可以有效地降低网络时延,减少网络抖动。