机会网络是一种特殊的移动自组织网络,借助节点移动带来的相遇机会实现网络通信,在环境监测、野生动物追踪、应急通信等领域有广泛应用。机会网络拓扑预测通过分析历史连接信息挖掘网络的演化规律,结合当前网络结构信息,预测下一时刻拓扑变化,为机会网络的路由协议设计提供理论支持。机会网络拓扑预测是网络行为预测的关键问题之一,其面临节点频繁移动、拓扑结构时变等挑战。本文通过分析机会网络中当前网络结构与历史连接信息间存在的依赖关系,提出一种基于生成对抗网络的机会网络拓扑预测模型（Topology Prediction Model for Opportunistic Networks Based on Generative Adversarial Networks,GAN-TP）。从边距离和谱距离两个方面度量网络的波动率,计算网络的分割时长。使用固定的分割时长将机会网络的连接数据分割为细粒度的网络子集,从网络子集中提取邻接矩阵、连接频率矩阵、连接占比矩阵以及最近断连矩阵,将这四个网络信息矩阵在结构和时间两个维度上进行融合得到机会网络的信息融合矩阵;利用基于矩阵分解的图嵌入方法提取网络特征向量矩阵,并借助生成对抗网络在拟合数据分布上的优势,分别构建生成模型和判别模型,以对抗训练的方式学习未来时刻拓扑结构与网络历史连接信息之间的非线性关系,实现机会网络的拓扑预测。为验证模型在不同的机会网络场景下的预测性能,本文选取节点数目、持续时长以及稀疏程度均不同的三个真实网络数据集进行实验,分别为Cambridge、Infocom06和the Reality Mining Dataset（RMD）。采用准确性、精确度以及AUC（Area Under Curve）作为评价指标。通过对比实验确定模型的分割时长和输入序列长度。与共同邻居、节点嵌入、精密噪声比、编码器-长短期机记忆-解码器等预测方法进行对比,在三个数据集上GAN-TP的Accuracy比最优的对比方法分别提高1.4%、1.1%、0.6%,Precision分别提高0.7%、0.8%、0.7%,AUC分别提高0.7%、0.8%、1.1%。