随着互联网快速成熟的发展,从互联网获取信息已经成为人们日常生活中获取信息的重要渠道之一。伴随着2G网络,3G网络,4G网络的逐代更新,网络的访问速度也在不断的提升,近年来国家也发布了关于提升网络速度的相关方案。在实际的应用中网络的访问会经常随着不同的访问时间而呈现出速度上的巨大差异,甚至由于此类的原因导致相关资源无法及时获取到。因此,我们需要提供一种监控手段对网络的实际状况进行评估和反馈,对接下来网络的稳定状态有一个清晰的认识。目前机器学习算法被广泛的应用到各个领域来解决分类和回归问题,常见的机器学习算法诸如支持向量回归(SVR)和神经网络都发展的很成熟。本文应用机器学习算法对网络的速度趋势进行预测。将机器学习算法应用到网络速度趋势预测当中一方面提供了预测的科学性和理论性,另一方面也促使了机器学习算法多分支快速的发展。本文的大工作如下:1、设计了一套网络速度采集模型,该采集模型会对指定运营商提供的网络速度进行采集,采集后的网络速度作为趋势预测的元数据。该采集模型对采集的功能模块进行了分割,采用云端对采集服务器进行管理和任务的分配,一方面减小了单一服务器负责全部任务的负载,另一方面也方便了日后采集服务器数量的扩展。2、提出了针对本课题的输入向量的选取方式,选取输入向量的方式有很多,本课题从前两个月的网络速度数据中提取一部分作为预测第三个月网络速度数据的输入。不同的选取方式对预测的效果影响很大,在实验对比的基础上最终确定了六维的输入向量。3、综合对比了 PSO优化的SVR和神经网络的预测效果,其中对于神经网络的选取没有固定在特定的结构上,而是在不同的实验基础上采用不同结构的神经网络进行综合对比,最终确定预测效果最好的神经网络作为与PSO优化的SVR对比的参考。4、本文的主题是网络速度趋势的预测,趋势预测本身是一个分类的问题,本文采用准确率,召回率和F1-socre作为趋势预测的一个评估标准。除此之外,本文还采用回归的方式对网络的速度进行预测,这里提供了网络速度值的参考,以MAE, MSE, MAPE作为衡量的标准,在训练的过程中以MSE作为适应度函数。5、综合以上实现了一个完整的网络速度趋势预测系统,并在实际的数据基础上进行了实验验证和性能的测试,完成了课题提出的目标。