移动语音经历了从时分多路复用（Time-Division Multiplexing,TDM）到网际互联协议（Internet Protocol,IP）、从传统交换机到软交换的发展后,逐步走向基于IP多媒体子系统（IP Multimedia Subsystem,IMS）的移动宽带语音。在网络技术的演进上,无线侧体现为从全球移动通信系统（Global System for Mobile Communications,GSM）/码分多址（Code Division Multiple Access,CDMA）/通用移动通信系统（Universal Mobile Telecommunications System,UTMS）等向长期演进（Long Term Evolution,LTE）发展,核心网侧体现为从客户机/服务器（Client/Server,CS）向IMS发展。IMS由于支持多种接入和丰富的多媒体业务,逐步成为全IP时代的核心网标准架构。同时,相比于电路域回落（Circuit Switch Fall Back,CSFB）和双待手机方式（Simultaneous Voice and LTE,SVLTE）依赖CS域提供语音,IMS可以基于LTE提供有服务质量（Quality of Service,QoS）保证的语音解决方案,逐渐成为目前无线和核心网技术发展的必然结果。随着运营商长期演进语音承载（Voice over Long-Term Evolution,VoLTE）网络用户数的不断提升及业务应用场景的不断丰富,IP数据流量也呈高速增长趋势。IP承载网作为VoLTE业务主要承载网络,面对业务的高速发展,网络拥塞及服务质量较低问题逐渐凸显,潮汐网络现象日益严重。为了为VoLTE用户提供更好的服务质量,合理的调配资源和负载,需要对现有IP承载网QoS部署策略进行优化,同时还要能够准确的预测网络流量,预知何时会产生潮汐现象。本文VoLTE业务IP承载网的大背景下,围绕潮汐流量预测问题,从以下思路来优化网络配置,预测网络负载情况。（1）通过研究VoLTE业务的IP承载网,探讨其流量潮汐问题及其原因,提出针对IP承载网的QoS优化思路,为通过流量预测优化负载部署提供支持。并建立符合潮汐现象的IP承载网模型以便获得打包后的流量数据,为深度学习所用。（2）分析之前常用的线性回归法在流量预测中存在的问题和局限性。针对IP承载网的流量潮汐现象,先创建合适的BP神经网络（Back—Propagation Artificial Neural network,BP-ANN）,设置合适的相关参数;另外,在注意力机制的前提下,设计合适的长短期记忆人工神经网络（Long Short-Term Memory,LSTM）应对潮汐流量数据的时间相关性。依据这两种神经网络模型,实现对承载网流量的预测,并很好的预测潮汐迁移时段的流量。在模型中寻找合适的迭代次数等参数,不断减小模型的流量预测的误差,并最终使流量预测准确率达到85%以上。（3）采用实测验证方法,对此方案在实际网络中的应用可行性进行初步论证,并验证了此方案在网络接入侧的有效性。