近年来,物联网和大数据等领域发展迅猛,并且随着电脑、手机等智能设备的普及,产生的网络流量随之剧增,网络的稳定性对人们使用网络获取资源等有着重要影响。因此对网络流量预测是提升网络安全和用户服务质量的重要前提,网络流量预测的研究渐渐成为研究热点,同时也是网络研究领域重要的研究方向之一。目前基于深度学习的模型在预测准确性上有待提升,模型需要充分利用真实网络节点间的拓扑结构,并且在内部流量矩阵数据的时序特征方面也需要充分的提取信息,这两方面的影响会导致时空预测结果精确度不足,模型的整体的普遍适用性和预测性亟待提高,因此本文分别从流量的空间特征和时间特性出发,进一步提升网络流量时空预测的性能,以减少预测的误差,并提升模型预测精确度。本文提出了基于GNN-LSTM（Graph Neural Networks and Long Short-Term Memory）的网络流量预测模型,以解决网络流量时空预测问题。模型是通过图神经网络（GNN）获取真实网络路由节点间的空间拓扑结构,采用多层长短期记忆神经网络（LSTM）获取网络流量的时间序列相关性的流量矩阵（TM）信息,实现对网络流量的有效预测。在真实的网络流量数据集Abilene和G（?）ANT上的实验结果表明,该模型在网络流量预测的MSE误差损失值、MAE误差损失值均低于传统基于深度学习的预测模型,整体的预测效果优于目前的方法,可以实现能有效提升流量预测的准确率,较小误差值。为进一步提升对时空信息的捕获,提高预测的准确性,本文引入时空注意力机制,提出图神经网络和时空注意力机制长短期记忆网络结合的GNN STAM-LSTM（Graph Neural Networks and Long Short-Term Memory of Spatio Temporal Attention Mechanism）预测模型,实现对网络流量空间信息和时域信息的时空特征捕获,并在LSTM单元中结合历史状态直接融入到当前细胞状态,进而增强对历史流的记忆,最终实现对网络流量进行充分预测。最后在Abilene和具有复杂拓扑结构的G（?）ANT网络流量数据集上进行验证分析,实现准确而有效的预测,在评价指标中显示,本文提出的模型能够有效提升预测效果。综上,对网络流量预测的研究,本文从网络流量特征入手,分别从空间拓扑和时间序列两部分进行深入研究,所提出的模型在预测效果及准确度有很大提升。