随着互联网技术的发展和网络规模的不断扩大,人们对于网络管理的要求也越来越高。网络流量是评价网络负载和运行状态的重要参数,连续监测并准确预测网络流量,是实现网络有效管理和控制的重要手段。网络流量具有时效性、非线性、突发性、混沌性和多样性等特征,神经网络模型、灰色模型、支持向量机等传统方法已逐渐无法胜任现有网络流量预测任务。回声状态网络(Echo State Network,ESN)以独有的储备池结构改进了传统递归神经网络的不足,具有强大的非线性处理能力和较快的训练速度。尽管回声状态网络表现出了优越的性能,但在网络流量预测方面它仍然存在一些问题。首先,储备池的随机结构与随机权值会一定程度地影响回声状态网络预测模型对于网络流量数据非线性的刻画,并难以满足网络流量预测的实时性要求;其次,网络流量的突发性和混沌性很大程度上会给回声状态网络预测模型的预测效果带来不利影响;最后,回声状态网络的关键参数较多,依靠经验选择的参数并不适用于网络流量预测任务。针对以上问题,本文主要研究了ESN的多环储备池结构,网络流量的降噪处理以及灰狼算法自适应参数寻优,具体内容如下:首先,为了满足网络流量预测的非线性与实时性要求,本文提出了一种基于具有多环储备池结构ESN的网络流量预测方法,该方法通过构建多环储备池结构,避免了传统ESN所产生的储备池的随机性,加强了储备池内神经元的连接度,提高了ESN的非线性逼近能力。仿真实验表明,该方法对于网络流量非线性刻画能力更强,预测实时性更佳。然后,针对网络流量序列的突发性与混沌性,本文结合局部投影降噪方法,提出了一种基于局部投影降噪和双环储备池结构ESN的网络流量预测方法。该方法利用局部投影方法对网络流量序列进行降噪处理,降低流量序列的突发性与混沌性。同时,该方法采用双环储备池结构回声状态网络,并结合降噪流量序列和原始流量序列作为预测输入,提高了预测方法对网络流量预测的准确度。仿真实验表明,该预测方法与其他预测方法相比,具有更好的预测性能。最后,针对网络流量序列的多样性,本文研究了灰狼算法(Grey Wolf Optimizer,GWO),提出了一种基于灰狼算法的网络流量预测参数优化方法,该方法利用GWO算法对基于局部投影降噪和双环储备池结构ESN的网络流量预测方法中的参数进行迭代优化,自适应地选取最优参数,提高了预测方法对于网络流量预测任务的自适应能力,避免了经验选择的局限性。仿真实验表明,经过GWO寻优后的参数更加适用于网络流量预测任务,提高预测准确度。