随着5G技术的推广和普及,人们的日常工作生活更加需要移动网络作为基础,对移动网络的性能要求越来越高。因此对移动网络流量进行预测,能够为网络异常监测和运维管理进而提升网络整体效能提供依据。同时5G用户数量在不断的增长,预测5G用户在接下来一段时间的数据量,能够为5G的网络运营商以及终端设备制造商制定生产运营策略提供数据依据。针对移动网络流量预测,本文首先分析移动网络流量的日常变化特点,基于网络流量的特征建立一个全面的有效的预测模型。经过对网络流量变化特性的分析,发现网络流量具有自相似性、周期性以及突发性等特性,这些特征的存在也是能够根据部分网络流量历史数据预测未来数据值的依据。小波神经网络凭借小波函数特有的两大参数的调整既能够分析整体信号的特征,又能聚焦局部信号的变化,特别适合处理突变信号以及非平稳随机信号,因此采用小波神经网络进行实验预测。本文首先设计模型的层级结构,之后多次实验确定最佳隐含层节点数,最终建立小波模型进行仿真实验。实验结果表明此模型能够很好的拟合数据的变化情况,但是其预测精度不高,收敛速度较慢。基于此结果,提出一种改进算法来优化小波神经网络寻找最佳参数的能力,克服其容易找到局部最优参数的问题。本文采用粒子群算法来改进小波神经网络的参数调整过程,粒子群算法能够调节搜索最优解的范围和能力,因此能够解决小波神经网络预测出现的问题。基于流量预测设置粒子群算法的适应度函数以及粒子向量组成,之后设计模型的层级结构、最佳种群数以及其它参数,建立模型进行预测。最后实验结果表明此模型预测准确度更高,网络训练收敛更快,证明了粒子群优化小波神经网络模型的有效性。对5G用户数进行预测的基本思路是将5G用户数扩散视为一项新产品投入市场后采用者的变化情况,在新产品扩散预测领域最有效的数学模型是Bass模型。但是Bass模型更多用在实体创新产品扩散预测,对于5G通信技术产品预测较少。因此本文对5G用户的扩散途径,扩散因素进行分析后,又采用此模型对4G用户数扩散进行拟合,证明Bass模型用在预测5G用户扩散预测中的适用性和有效性。最后统计5G用户数历史数据,进行拟合获得参数后,对接下来两年的用户数进行预测。