关于数据中心网络（DCN）上数据流量预测的大量研究主要集中在流量工程和带宽使用上。然而对于通信来说,精确的、实时的流量信息非常重要。我们必须对许多应用程序执行可靠的操作,例如数据识别,丢包避免,数据预处理（例如拥塞控制和带宽资源分配）以及在通信之前做一系列的访问列表检查等。从过去的几年开始,互联网数据的流量一直在爆炸,逐渐进入通讯大数据时代。我们必须为数据流量引入预测模型。在这项研究工作中,我们对数据流量的预测进行了比较研究。本文主要工作是检查具有长短期记忆（CNN-LSTM）和门控单元循环（GR U）的卷积神经网络的体系结构和可行性。这两个预测模型都具有捕获时空和时间动态数据的能力,这是通信网络传输所有类型的数据流量的最重要因素。在这种情况下,首先将数据转换为流量矩阵（TM）形式,然后进入预测模型传递。在数据传递期间,将监视数据的冗余性和权重。根据所应用的过滤器,不在范围或监视窗口内的数据可以忽略不计。在通过两个预测模型CNN-LSTM和GRU中的层之后,所有流都取决于数据序列的控制,该数据序列根据先前的和当前的流量值决定预测。在这两种情况下,GRU的性能都比CNN-LSTM好,这是因为GRU中的层数少于CNN-LSTM,并且由于体系结构中神经元的数量较少,因此优化效果也优于 CNN-LSTM。