随着5G、边缘计算微服务应用等新技术的成熟和商业化落地,网络带宽与服务质量不断提高,影响人们生活方式的互联网产品也随之层出不穷,例如智能一体化家居、自动驾驶、智慧出行、电子商务、数字可视化平台等创新性产品都给人们的生产生活方式带来巨大的变化与进步。然而,互联网业务种类与用户规模的激增等因素都导致光网络面临着网络带宽资源分布不均、网络阻塞率上升以及应用服务质量下降等一系列严峻挑战。如何精准地对光网络中的业务量变化趋势进行预测并根据结果制定合理的资源分配策略,是解决上述问题的关键。本论文针对光网络中的业务预测算法展开研究,首先基于WEB技术搭建了光网络预测算法仿真平台,为预测算法的实现和展示提供技术基础和展示平台;随后,论文探究了包括线性和非线性的三类典型的预测模型针对平稳和非平稳数据集的预测性能和适用场景;最后,将业务预测模型应用在实际光网络中,利用预测模型与Dijkstra算法结合,对弹性光网络中的链路阻塞率进行预测,并根据预测结果合理调整资源分配策略,从而达到了了降低阻塞率的目的。本文的创新点和主要工作如下:（1）创新性地使用前端前沿的机器学习技术Tensorflow.js实现预测算法的训练和预测,并对比各类算法在不同特征数据集的性能表现。论文使用WEB相关技术完成了所有算法的逻辑和预测仿真,并探究不同数据特征的数据集较为适合的预测算法模型。（2）论文将预测模型与Dijkstra算法相结合,使用其对弹性光网络的拥塞程度进行预测,然后依据预测结果将更多的低拥塞度的链路预先替代拥塞程度高于阈值的链路,以此来降低网络阻塞率,增加网络中的资源利用率。（3）基于WEB的光网络预测算法仿真平台开发。论文选用JavaScript相关技术栈完成光网络预测算法仿真平台的前后端开发。一方面验证了使用JavaScript进行全栈开发的技术可行性,另一方面也为预测算法仿真提供技术支持和展示平台。