网络流量是反应网络运行状况的重要指标。根据网络流量的性质建立合理的模型预测网络流量,提前采取相应措施,在网络安全、网络管理、网络资源等方面发挥着重大作用。但是,网络流量具的性质非常复杂多样,其中最重要的性质是长期相关性,这使得对预测模型的选择需要极度谨慎。当下,循环神经网络由于其对非线性序列的强大学习能力和特有的记忆功能,非常适合用于网络流量时间序列的预测,其中尤以长短期记忆单元循环神经网络和门控循环神经网络为突出代表,它们引入了门结构控制信息流通,能够捕捉网络流量的长期相关性,因此预测精度非常高。然而,复杂的门控结构体系导致它们的训练时间很长,此外,作为深度学习模型,它们的层数通常很多,这也加长了它们的训练时间。基于长短期记忆循环神经网络和门控循环神经网络存在的这些严重缺点,在经过缜密的分析和深入研究之后,本文主要做出了以下几方面的工作:1)本文深入分析了长短期记忆单元和门控循环单元的原理。长短期记忆单元特地使用一个细胞状态保存长期记忆,并且使用遗忘门控制历史信息的删除,使用输入门用于新信息的添加,输出门决定细胞状态中有多少信息从隐藏层输出;门控循环单元使用重置门控制旧信息的丢失,使用更新门用于控制新信息的添加,所以它们能够捕捉到网络流量的长期相关性。2)基于以上的原理分析和网络流量的性质,提出了一个名叫层叠式的双单向最小门控循环单元网络模型用于网络流量的预测,它的隐藏单元是最新的门控循环单元,只保留了更新门同时控制旧信息的遗忘和新信息的添加,可以保持长期记忆,内部结构很简单,训练非常快速,并且通过在两个网络流量数据集上的实验证实了该模型的训练速度相比现有模型大大加快;3)设计了一个新的隐藏单元,它不仅具备了保持长期记忆的能力,而且还可以摆脱深度学习模型的层数对训练速度造成的负担,基于这个新设计的隐藏单元,本文提出了一个基于改进门控循环神经网络的网络流量预测模型,最后在两个数据集上进行了实验,实验结果表明它的训练速度比层叠式的双单向最小门控循环单元网络的训练速度有了更进一步的提高,并且精度略高。