随着互联网的不断发展,网络业务种类日益繁多,网络业务总量持续增长。为了更合理地分配网络资源,更好地保障网络服务质量,一个准确有效的网络流量预测模型是必要的。然而,现代网络下的网络流量呈现出多种非线性特征。这使得传统的基于统计的流量模型不再适用于网络流量特征的描述,基于线性回归的方法也难以对非线性的网络流量做出精准的预测。近年来,机器学习方法的发展为网络流量预测问题提供了新的解决思路。本文在总结传统流量模型的基础上,对适用于网络流量预测的支持向量机和神经网络方法进行了研究和探讨,并结合混沌理论与小波分析理论提出了新型流量预测模型的构建方法。本文的主要工作与贡献如下:其一,提出了一种基于相空间重构的长短期记忆流量预测模型。该模型融合了混沌理论中的相空间重构方法,将流量序列还原到高维空间,并通过重构后的流量序列构建样本数据。设计了一种长短期记忆循环神经网络,以此学习流量序列的非线性特征,完成流量预测模型的构建。实验结果表明,相比基于BP神经网络和基于Elman神经网络的预测模型,基于长短期记忆神经网络的预测模型具有更高的预测精度。其二,提出了一种基于小波分解与重构的混合流量预测模型。该模型融合了小波分析理论中的离散小波分解与重构方法,将流量序列的趋势及波动特征分散到不同的分量序列中。依据支持向量机和神经网络方法对每一个分量序列构建了分量模型,设计了分量模型中的数据分割方法、模型训练方法与序列预测方法。通过比较预测误差选取了最优的分量模型,最后使用小波重构对各分量模型的预测结果进行了整合。实验结果表明,混合流量预测模型具有较高的预测精度,且分量模型择优的方法能够有效地提高分解重构模型的预测准确性。上述两个模型分别基于短期的网络流量与长期的网络流量构建。前者适用于具有突发性的短期流量,对实时的网络流量预测具有一定的借鉴意义;后者适用于具有周期性变化及波动特征的流量,对长期的网络流量预测具有一定的理论与应用价值。