当下,通信网络在规模、结构、网络业务种类和数量等多个方面都已变得十分庞大和复杂,这使得传统的着眼于局部的网络管理方法面临着工作量和工作难度急剧增长的巨大挑战。这些挑战带来的一系列难以避免的后果则是网络管理实时性水平的降低、网络管理顾此失彼的现象出现、网络整体评价的准确度降低等问题的产生。在这种情况下,作为着眼于对网络整体状况的评估和网络整体状况的变化预测的网络管理新技术,网络运行态势感知技术应运而生。本文依托于网络运行态势感知技术,从网络业务的角度出发,着重围绕网络运行态势的预测展开研究。本文重点解决了如何构建行之有效的预测模型架构,如何准确高效地完成层次间的指标映射,以及如何构建预测实时准确的数学模型的问题。本文的主要研究内容如下:1.建立了面向业务的网络运行态势预测模型架构。本文基于层次化管理的思想,建立了自下而上,从网络层性能指标数据到网络业务性能指标数据,再到网络运行态势预测的算法框架。模型很好地整合了基于约束优化的层次分析法、专家经验、改进的BP神经网络等技术手段,搭建起了一个有效的实时网络运行态势预测模型架构。2.提出了基于约束优化的层次分析法。针对传统的层次分析法对判断矩阵一致性要求高、判断矩阵的一致性调整困难等问题,本文提出了一种基于约束优化的层次分析法。该算法通过对判断矩阵的元素进行改造,并运用约束优化方法,较好地解决了上述问题,提高了层次分析法对判断矩阵不一致性的容忍度,是一种先进可靠的层次间指标映射算法。3.提出了改进的BP神经网络算法。在传统的BP神经网络算法中,训练时收敛速度太慢一直是传统BP神经网络算法的短板。虽然后来陆续有学者提出了一些改进算法,例如自适应学习速率法,但收敛速度提升效果有限。本文从BP神经网络采用的学习算法最速下降法存在“锯齿现象”的问题根源出发,提出了一种改进的BP神经网络算法,改进算法通过改进拟合函数更新时的方向向量,极大地提高了神经网络训练时的收敛速度。