随着Internet及其应用的迅速发展,网络规模日益增大,网络应用日益复杂,网络管理工作越来越繁重,网络故障也频频出现,为了实现可靠的数据传输及合理的网络资源分配,就需要深刻了解网络的控制机制和复杂的行为特性。网络流量预测对大规模网络管理、规划、设计具有重要意义,高质量的网络流量预测显得越来越重要和迫切。本文的主要研究目的是探索新的预测模型以提高网络流量预测的准确性,及加快预测速度。首先,全面叙述了网络流量预测的国内外研究现状,为后续的研究奠定了基础;其次,分析了真实环境下的网络流量所呈现的相当明显的多尺度特性,接着,分析并比较了几种基于自相似性的网络流量模型的优缺点;第三,建立了基于改进BPWNN的预测模型。针对传统BP小波网络(BPWNN)易陷入局部极小,收敛速度慢的缺陷,使用一种学习速率自适应的算法对BPWNN进行改进;第四,建立了基于改进的QPSO算法训练BP网络的预测模型。针对标准的QPSO算法不可避免的出现早熟的不足,研究了一种新的基于参数自适应的量子粒子群优化算法。该算法较好的避免了粒子群的早熟,提高了算法的全局收敛能力;第五,建立了融合小波变换与贝叶斯LS-SVM的预测模型。首先将原始流量数据时间序列进行小波分解,并将分解得到的近似部分和各细节部分分别单支重构到原级别上;对各个重构后的序列分别用最小二乘支持向量机进行预测;将贝叶斯证据框架应用于最小二乘支持向量机模型参数的选择;将各个预测结果重构后得到对原始序列的预测结果。最后,分别将这三种预测模型用于单步和多步的流量预测之中,比较它们的预测精度和预测速度。