网络流量是衡量网络运行负荷和状态的重要参数，也是网络规划、流量管理等方面起着重要作用的重要参数。在流量管理中，流量模型用于评价接入控制机制和预测网络性能。在网络资源有限的情况下，建立网络流量模型，预测网络负载，及时做出控制或调整，将会极大提高网络性能和服务质量。　　 本文以网络流量特性分析为基础，对基于网络流量的特征模型及其预测进行了相关研究。论文首先叙述了国内外对流量研究的现状，接着分析了网络流量的几个主要特性及其在网络流量中的表现与对网络业务的影响。重点分析了网络流量的非平稳性，然后，给出了网络流量预测模型——针对网络流量具有的平稳性和非平稳性，并选取与之相适应的单一预测模型包括ARIMA预测模型，遗传神经网络模型，Elman神经网络三种模型。其中ARIMA模型具有线性数据预测能力，能刻画出流量的相关性，遗传神经网络算法在改进神经网络基础上具有非线性数据预测能力，能够更好的刻画流量的非平稳性，Elman神经网络在Elman网络的内部加入了网络本身处理动态信息的能力，把该网络用作流量中非线性关系数据预测的网络单元，可以保证流量的非平稳性特征。对这三种算法深入的分析，并对各个单一算法进行网络流量预测的仿真实验。其次，基于上述三种算法本文提出通过基于最优组合和BP神经网络的组合预测模型，并进行仿真。对于最优组合权系数，通过各个算法预测的误差最小，来确定组合权系数;对于BP神经网络组合预测，BP神经网络可以拟和三个单一预测模型的预测结果，起到减小误差的作用。通过对比单一预测和组合预测算法仿真效果，对各种网络流量预测方法的精度进行评价;最后，针对传统组合预测模型存在的不足，本文构建了改进的网络流量组合预测模型，仿真实验显示，相对传统的组合预测模型改进后的网络流量组合预测模型具有更高的预测精度，拟合效果更好。