网络流量数据是网络运营和网络管控最为关键的参数之一,主要原因是网络流量数据中隐含大量对网络流量工程有深刻指导意义的信息。网络运营、管理、规划以及优化依赖于完整且精确的流量数据,但在现实的网络流量工程中,通过直接测量获得网络的全部流量数据代价高昂,实际操作也是不可行的,尤其是对于大规模的骨干网络环境。一般的解决办法是通过采样部分流量数据,然后利用流量数据估计算法进一步得到完整的流量数据。因此如何高效地利用这些采样数据,去估计出完整且尽可能精确的流量数据,从而实现网络流量工程的高效管理和控制,成为了一个热门的研究方向。针对上述问题,国内外的很多研究学者提出了大量在当时较为先进的网络流量估计方法,这些流量估计方法种类繁多,且在其各自的数据集上表现出了出色的性能,然而,这些流量估计方法有些直接采用插补的粗暴方法,没有充分考虑流量矩阵固有的时序先验信息,导致这些方法在实际应用中无法取得满意的效果。另外,采样的流量数据中可能存在各种未知噪声,如果不考虑噪声因素也同样会导致所提方法无法精确地估计出缺失的流量值。为了克服上述缺陷,本文引入稀疏表示理论,将流量估计问题建模为融合时序先验信息及稀疏表示的流量估计模型,并递进地提出了两种流量估计方法。本文的主要研究内容及创新点总结如下:1)针对流量估计问题中采样的流量数据不完整及没有利用时序先验信息缺陷,提出了一种融合时序先验信息及稀疏表示（TPig SR）的流量估计模型,该模型不仅能有效利用流量数据的时序相关性,也能通过稀疏表示利用流量数据的空间相关特性。进一步地,通过采用交替优化求解（ADMM）方法,来解决TPig SR问题。最后,在真实数据集上进行了实验,结果显示所提模型在本领域通用指标均方根误差（RMSE）上表现良好。2)针对流量数据中可能存在的噪声问题,进一步提出了一种基于TPig SR噪声鲁棒的网络流量估计模型。模型通过引入拉普拉斯分布来拟合复杂网络环境下的未知噪声,从而能够减轻模型的噪声敏感性。针对模型所涉及的多个超参数,为了能够更快和更好地寻找到最优的参数值,采用了网格搜索选择最佳模型参数。最后,在公开的数据集上的实验结果证实了所提出的模型优于当前广泛使用的流量估计方法。