网络流量特征研究和分析是深入理解网络内在本质、了解网络运行状况的根本方法和手段,是网络性能提升、优化网络设计和实施流量工程的重要途径。本文基于神经网络预测模型,并引入季节周期性算法、混沌算法和分解模型,建立新的网络流量预测模型。根据实际网络中测量得到的网络流量数据,进行仿真实验,结果证明,新模型和算法预测误差低,且具有普适性。针对网络流量预测,本文主要做了如下工作:(1)针对静态前馈网络和Elman网络在网络流量预测中的不足,建立了一个基于改进Elman神经网络的流量模型,并提出一种基于季节周期性学习方法,根据实际网络中测量得到的网络流量数据,对网络流量进行预测。实验结果表明,该模型具有良好的预测效果,相对于传统线性模型、BP神经网络模型及标准Elman神经网络模型具有更高的预测精度和更好的自适应性,应用于网络流量预测是可行、有效的。(2)根据实际网络中测量得到的网络流量数据,提出了一种新的改进Elman神经网络模型——SIMF Elman,在网络权值的训练过程中引入了混沌搜索机制,利用Tent映射的遍历性进行混沌变量的优化搜索,减少了数据冗余,有效的解决了局部收敛问题。实验结果表明,新的模型及算法提高了网络的训练速度及网络流量的预测精度。(3)考虑网络流量宏观行为的特点,用数学工具将网络流量时序分解成结构相对简单的子成分,来表述和预测网络流量行为的非线性规律。同时以神经网络理论为基础,提出行为预测模型,包括分解模型和神经网络模型,充分考虑了流量行为的周期性、趋势性及随机性,克服了传统时序神经网络在预测中丢失序列周期性的缺点。实验结果表明,较常规的时间序列模型和传统的神经网络模型简单,预测能力和精确度也有所提高。