机会网络属于延迟容忍网络(Delay Tolerant Network,DTN)的一种,由于机会网络中的节点可以频繁的移动、断开和连接,造成端对端之间根本不存在一条完整的链路,因此机会网络主要依靠“存储-携带-转发”的方式进行消息的传递。为了提升机会网络的路由转发率,降低网络中的成本开销,利用机会网络的历史信息去预测将来可能发生的节点连接,可以在最小开销的情况下最大程度地转发数据信息,使得链路预测成为机会网络转发数据的关键问题,也是学术界研究的热点问题之一。近年来,深度学习在图形图像、自然语言处理、语音识别等领域取得了巨大成果。同时,深度学习技术在链路预测这一领域也被广泛应用,利用深度神经网络强大的特征提取能力,挖掘网络结构中未知的节点连接也是一种常用的方法。由于机会网络中的链路结构存在着时间顺序这一特性,论文首先分析链路预测模型国内外研究现状,阐述机会网络的刻画、通信特征和相似性指标,给出本文数据预处理方法和评价指标;在深入分析RNN和LSTM深度学习框架的基础上,借鉴RWM模型的特征提取思想,利用CNN-Conv1D的特征提取能力对时间序列进行特征提取,提出了传统特征和机会网络历史信息特征的融合方法;利用长短期记忆神经网络(Long Short-Term Memory,LSTM)对时间序列的记忆功能,将LSTM运用在机会网络的链路预测中,提出了一种CNN+LSTM的链路预测模型。实验结果表明,算法有效,与LSTM、循环神经网络RNN相比,提升了预测精度,缩短了训练周期。论文的主要工作和创新如下:(1)提出了机会网络数据集的预处理方法,对机会网络中常用的两大数据集Infocom05和MIT Reality进行补漏、去重等操作,在尽量不丢失原始信息的情况下清洗数据集。在得到干净的数据集之后,又对其进行时间序列化和切片处理,最终得到可用数据集。(2)提出一种机会网络通信特征提取和特征融合方法;本文在机会网络通信特征TCL基础上增加了通信市场和通信次两个特征,组成新的通信特征TCLC。且实验结果表明,本文提出的TCLC特征要优于TCLC。(3)首次在机会网络链路预测中提出基于CNN+LSTM的机会网络链路预测模型和算法;在通信特征TCLC的基础之上,利用CNN的特征提取和降维能力对数据进行特征提取,然后再输入LSTM进行训练和预测。最终实验结果表明,CNN+LSTM预测模型在Infocom05和MIT Reality数据集上均取得良好的预测精度。