近些年来，在Internet网络的发展研究中，针对网络流量预测方面的研究越来越备受人们的关注和重视，而建立一个好的网络流量预测模型是人们进行网络性能分析、网络拥塞控制、网络设计的基础。可以根据网络流量预测模型预测网络流量的变化趋势，再根据流量的变化趋势来合理地对网络资源进行分配与调度，来设计比较好的拥塞控制机制，这样就可以提高网络资源的利用率，同时对提高网络性能、网络服务质量也具有非常重要的意义。　　 随着Internet的迅速发展，网络流量时间序列已经成为一个非线性、多时间尺度变化的动力系统。寻求新的预测模型已成为研究当前网络流量行为的一个热点。而Suykens J.A.K提出最小二乘支持向量机法，目前已有学者将其用于时间序列预测。但他们只采用单一的最小二乘支持向量机模型还不足以完全描述网络流量的复杂特性，同时在参数选取上缺乏合适的方法，在预测精度上还不能取得满意的结果。本研究针对当前网络流量预测模型的缺陷，提出一种先进行小波变换后利用最小二乘支持向量机对各单支分别预测，再利用BP神经网络来拟合数据的网络流量预测模型。实验结果表明:与其他模型相比，该模型具有较好的泛化能力、更高的预测精度以及很好的稳定性。　　 参数优化选择对模型预测精度有决定性作用，然而到目前为止，还没有指导最小二乘支持向量机参数选择的有效方法。针对参数选取问题，一般采用交叉检验或网格搜索方法，这些方法搜索速度慢、运算量大、耗内存多，具有一定的盲目性。而量子粒子群算法(QPSO)比较容易实现，但是QPSO存在过早收敛缺点。对此本研究在量子粒子群算法的基础上加入了自适应和混沌特性，使算法具有动态自适应性，再引入模拟退火算法避免陷入局部最优，提出基于模拟退火算法的自适应混沌量子粒子群算法(AS-QPSO)，并将提出的AS-QPSO算法应用于最小二乘支持向量机参数的优化上。本研究对实际的网络流量数据进行实验，与一些现有的优化参数算法比较，证明了AS-QPSO算法搜索效果更好，提高了模型预测的精确性。本研究不仅为网络流量预测的进一步研究提供一种新的方法，为解决参数选取问题提供了一条有效途径，而且对最小二乘支持向量机在实际中的进一步应用具有很高的参考价值。