随着计算机的日益普及,网络规模越来越大,网络的管理也变地越来越重要。为了更好地对目前及未来的网络运行状态进行监控,对网络流量的分析和建模预测是十分必要的,也是目前研究的热点之一。为了适应目前网络管理的发展,本文首先设计并实现了一个网络流量预测组合模型系统,该系统主要由主进程模块、数据采集模块与流量预测模块构成。本文在流量预测模块上做了深入的研究。针对流量预测模块的实现,本文提出了一种基于小波与神经网络预测的模型。该模型使用小波变换对流量序列进行多层分解,得到各层的细节信号序列与近似信号序列。对近似信号序列使用改进后的BP神经网络预测；对细节信号序列使用ARIMA模型预测。针对BP神经网络的改进,首先就BP神经网络中输入层神经元个数与输出层神经元个数没有一个合理的取法的问题,本文提出了一种根据相关性确定神经网络中输入层与输出层神经元个数的新方法。这种方法完全根据样本与样本之间最为紧密的相关性来确定,使得对样本的学习更加有针对性与科学性。之后本文还对BP算法本身作了一系列的改进,主要加入变长学习率,根据误差的大小动态的改变学习的速率,使误差能得到很快速的收敛。但过快的收敛速度会引起系统的不稳定性所以本文加入了动量项,根据上一时刻权值的修改方向改变学习率。最后针对神经元内部提出了一种动态偏置的方法,这种方法是根据误差动态调整偏置的大小。在细节信号的ARIMA(p,d,q)预测方面,由于单支重构的细节信号具有一定的规律性,所以可以按规律提取所需要的序列部分,对他们进行分析建模。这样可以明显减少计算的复杂性。最后用真实网络流量数据拟合模型,结果表明该模型具有较高的预测效果。