随着互联网的逐渐普及与发展,接入网络的设备渐渐增多,新型应用不断涌现,主干链路上的汇聚网络流量在迅速增长的同时,呈现出许多前所未有的复杂特性,对于网络稳定性的维持以及性能的提升,提出了巨大的挑战。为了增强网络稳定性,提升运行效率和资源利用率,需要从传统的问题驱动型管理模式过渡到数据驱动型管理模式,通过对历史流量数据进行分析,采用预测的方式提前获知未来的需求和状态,以做出更加灵活高效的配置。然而,目前主流的预测方法存在预测精准度低、模型复杂度高以及缺乏自适应调整能力的问题。因此,本文针对网络流量预测领域存在的问题,结合经验模态分解和机器学习算法思想,提出一种具有高精准度和自适应调整能力的网络流量预测模型,对主干链路上具有复杂特性的汇聚网络流量进行预测,为网络带宽资源分配决策提供理论依据。本文的主要研究工作包括以下三个方面:（1）提出了一种基于经验模态分解（Empirical Mode Decomposition,EMD）和残差门控循环单元神经网络（Residual Gated Recurrent Unit Neural Network,Res Gru NN）的网络流量预测模型。该模型通过EMD将特性复杂的流量时间序列分解为多个窄频带分量,并针对各个分量建立基于Res Gru NN的分量预测模型,最后将各分量预测模型的预测结果加权融合以得到下一时刻的网络流量预测结果。（2）提出了一种基于正交指标体系的分量融合权重设置方法。该方法从多个角度对各个分量受到噪声和随机性的影响程度以及各分量预测模型的性能进行评估,得到初始的评估指标体系,之后采用主成分分析去除各指标间的相关性,得到正交指标体系,然后基于正交指标体系计算各个分量的权重,对分量预测模型的预测结果进行加权融合,以提升网络流量预测模型在噪声或随机性影响下的预测准确性。（3）提出了一种基于高斯权重滑动窗口经验模态分解（Gaussian Weight Sliding Window-Empirical Mode Decomposition,GWSW-EMD）的增量数据分解与增量学习方法。通过分解网络流量增量数据获取增量数据分量,进而赋予各分量预测模型增量学习能力,使网络流量预测模型可以根据流量特性的变化进行自适应调整,从而保证预测的精准度不会因为流量特性的变化而大幅降低,提升模型的性能稳定性。综上所述,本文对特性复杂的主干链路网络流量预测问题进行了深入的研究,提出了基于EMD和Res Gru NN的网络流量预测模型,在此基础上提出了基于正交指标体系的分量融合权重设置方法,最后提出一种网络流量增量数据的在线处理方法以赋予模型增量学习能力。本文针对每一项研究工作分别设计了相应的仿真实验,并开发和部署了网络流量预测原型系统,验证了本文研究成果的可行性和有效性。