近年来，我国移动通信业务发展迅猛，网络规模已跃居世界首位，通信行业已成为推动国民经济发展的支柱性产业。随着移动智能终端的普及和各种网络应用的发展，人们对网络流量产生了更强的依赖，并且已成为工作、生活不可或缺的一部分。但当前蜂窝网系统中的能量支配存在严重的浪费现象，系统能量利用率极低。为了应对移动流量的大数据时代，移动运营商必须设计出能量高效的蜂窝通信系统，从而实现实时、准确、高效的预测网络流量，这将会极大地改善全球网络的性能和实现资源利用率的平衡。　　无线网络流量具有可预测性，这主要是因为网络流量的一系列统计特征:自相关性、多尺度、长程相关和高度非线性。现有的网络流量预测方法主要分为:线性预测和非线性预测。本课题主要研究一种基于反馈神经网络并结合基站相关性分析和小波分解的方法对基站未来一段时间的流量做出智能化的准确预测。其目的在于预测流量的拥塞和空闲，从而及时作出相应的资源调整，提高资源利用效率和用户体验，降低不必要的能量损耗。实验结果表明，基于反馈神经网络的非线性预测相比线性预测和前向神经网络更加适合于无线网络流量的预测。而且小波变换的引入可以实现流量序列的多解析度分析，使得反馈神经网络在不同分辨率下的预测能各自达到最好的效果，从而明显提升了整体的预测性能。