互联网服务正在极速运行和发展,并朝着多元化的方向持续变革与创新。网络结构逐渐复杂化,预测模型可为网管中的带宽配置、路由管制和差错调节提供必要的参考,对提升网络性能以提供更好的服务质量(QoS)具有尤为重要的意义。因此,网络流量的分析和预测技术一直是相关领域的热门研究课题。首先,本文在研究了网络流量复杂非线性特征的基础上,对来源于国内高校网络中心内不同设备线路的真实网络流量数据进行筛选和采集;然后从时间序列相关联性的角度考虑,对原始网络流量数据中的缺失和异常部分进行全面识别和修复,同时采用标准归一化的方法完成对网络流量样本的预处理。其次,在深入解析了各类网络流量预测算法的现状和优劣特点后,本文选取小波神经网络(WNN)作为研究的基础,并在其参数反向修正的过程中增加了动量项和动态自学习因子的修正策略,提出了一种智能小波神经网络(IWNN)预测模型。基于实际校园网络流量数据的实验充分说明,IWNN的预测结果在拟合程度和收敛能力等指标上均优于BP神经网络和WNN。再次,为了改善单一IWNN模型预测效果稳定性较弱和误差略高等缺点,本文选用神经网络集成方法,构建了一种基于AdaBoost集成IWNN(AdaBoost-IWNN)的校园网络流量预测模型,借助相互独立且多样化的个体学习器提升模型整体的泛化性能。实验分析表明,该模型与IWNN模型相比,拥有更高质量的预测精度和误差稳定性。最后,针对IWNN基学习器训练迭代次数不稳定等问题,本文提出了一种增添了控制参数自我调整策略的自适应差分进化(ADE)算法,并将其引入IWNN中作为权值和小波系数等参数的前期优化策略,通过合理利用ADE算法的全局寻优能力,弥补了IWNN中梯度下降算法对构造参数敏感以及易陷入局部极小解的缺点。通过一系列的仿真预测实验证明,AdaBoost-ADE-IWNN预测模型的泛化能力更高,综合性能更加优良,是一种精准可靠的网络流量预测算法模型。