近年来,随着各类网络视频业务的快速发展,视频流量已成为互联网流量中占比最大的流量类型。其中3D视频因能给观看者带来立体视觉感受,广泛地被应用于各个领域,但3D视频巨大的数据量给视频的储存、编码、传输带来了挑战。在传统的网络业务中,流量模型常被用于网络设计评估或动态资源分配以减小网络时延。因此为3D视频建立流量模型,既可生成3D视频模拟流量用于网络评估,也可以实现基于流量预测的动态资源分配以减小3D视频传输时延。目前关于传统2D视频流量模型的研究已较为成熟,但关于3D视频流量模型的讨论较少。仅有的两个3D视频流量模型主要实现生成视频模拟流量的功能,但无法实现3D视频流量的实时预测,因此无法进行基于流量预测的动态资源分配。现有的自适应逻辑平滑转换自回归(Logistic smooth transition autoregressive,LSTAR)模型既可以生成视频模拟流量,也可以对视频流量进行实时预测。使用自适应LSTAR方法分别为3D视频左右视角建立流量模型,得到的左视角流量模型准确度较低且忽视了左右视角流量的相关性。对3D视频成像原理及视频帧结构进行分析,可知3D视频流量具有两大特征,即左右视角流量具有短时相关性且左视角流量变化范围大于右视角流量。本文针对3D视频流量的两大特征,提出了将短时线性回归与小波变换方法结合的3D视频左视角流量模型(Linear logistic smooth transition autoregressive based on wavelet,WL-LSTAR)。使用三种经典的流量模型评估方法进行评估,评估结果均显示本文提出的自适应WL-LSTAR模型优于自适应LSTAR模型。3D视频数据量大且突发性较强,使用静态资源分配或简单动态资源分配可能造成传输时延较大,时延抖动不稳定等问题,影响用户体验。为了减小3D传输时延,本文提出基于流量预测的动态资源分配算法,根据流量预测值提前为3D视频的传输分配相应的带宽资源,从而保证3D视频数据的高效传输。使用OPNET软件进行网络仿真,实验结果证明基于流量预测的动态资源分配算法可有效减小3D视频传输时延,同时减小了流量突变造成的时延抖动。