机会网络是一种不需要源节点与目标节点之间存在完整通信链路,利用节点移动带来的相遇机会实现通信的自组织网络。机会网络拓扑变化频繁且无需网络全连通的特性更符合现实组网需求。机会网络中的链路预测是研究难点,链路预测通过已知的网络结构信息和节点属性信息,预测网络中未知的链路。合理的链路预测方法能够挖掘出节点间的潜在关系,帮助人们认识机会网络演化的机制,从而给上层路由协议及相关应用提供支撑。根据机会网络的时变特性和节点的移动性,同时充分考虑网络演化中链路的变化规律,本文提出一种基于贝叶斯循环神经网络的链路预测模型（Link Prediction Method Based on Bayesian Recurrent Neural Network,BRNN-LP）。通过分析机会网络在不同应用场景下的特点,得到影响节点间链路产生的因素,包括节点的位置和节点间的相关性;对机会网络的时序数据进行切片得到一系列的网络快照,各个快照内含有连接信息和位置信息;利用连接信息和位置信息定义相关性和空间位置,在此基础上,使用相关性和空间位置构造各个快照内的向量,该向量用以表征节点间的链路;同时在时间维度上考虑链路的历史信息,利用多个快照内的向量构造时空向量序列,并将时空向量序列作为BRNN-LP预测模型的输入;借助贝叶斯循环神经网络对稀疏序列数据特征提取的优势,学习时空向量序列与节点对连接状态之间的相关性,捕捉机会网络中节点间链路随时间变化的规律,从而实现对未来链路的预测。本文采用MIT Reality真实机会网络数据集,使用MATLAB对数据进行处理,选用准确率、精度以及受试者工作特征曲线下的面积指标对模型的性能进行评价,并在珠算平台上进行实验。通过比较不同参数下多组BRNN-LP预测模型的准确率和精度,确定迭代次数、切片时长和输入序列长度;与基于共同邻居、Adamic-Adar、资源分配,Katz、局部路径和贝叶斯网络的预测方法相比,BRNN-LP预测模型具有较高的精度和准确性,与支持向量分类机、循环神经网络、图神经网络的链路预测模型相比,BRNN-LP预测模型性能更加准确和稳定。