随着全球信息智能化进程不断发展,网络规模日益倍增,伴随着各种应用需求的变化,网络故障、拥堵等问题层出不穷,凭借人工维护网络的方式已经跟不上时代发展步伐,基于防患于未然的哲学思想,利用科学技术方法对未来的流量预测逐渐成为研究的热点。随着近些年来计算机技术的迅猛发展,深度学习技术在数据挖掘、语音识别、自然语言处理等领域取得了突破性的进展,给网络流量预测问题带来新的机遇。本文基于Seq2Seq模型构建出了网络流量预测模型,并将应用到湖北省某城市网络流量预测项目。主要工作如下:1.对几种经典的神经网络的优缺点进行分析,选择出适合本文研究课题的神经网络,并将选择出的神经网络作为本文研究理论基础,构建出本文的网络流量预测模型。2.优化网络流量预测模型的初始学习率。通过对参与比较的优化算法进行单峰、多峰函数测试,从实验结果整体分析得出蜻蜓优化算法在独立优化时拥有优秀的全局搜索与局部开发能力,为优化网络模型超参数提供了必要的条件。通过实验结果分析,经过蜻蜓优化算法优化后的网络模型损失函数收敛时间变短,从而起到了加快网络模型的训练速度的作用。3.优化网络流量预测模型的批尺寸大小。我们将不同大小的批尺寸值作为网络模型的超参数输入到网络模型中,参与网络模型的训练,从实验结果整体分析出合适大小的批尺寸能够加快网络模型的训练速度,从而证明了批尺寸的取值将会影响到网络模型的优化程度和模型训练的速度。我们将构建出来的网络流量预测模型应用到湖北省某城市网络流量预测问题。从实验结果分析出网络模型的预测精度达到了期望预测精度。总的来看,本文基于循环神经网络中的Seq2Seq模型构建出了的网络流量预测模型,对网络模型超参数的优化展开研究,相应的实验结果证明了优化方法对模型训练速度有所提升,以及构建网络模型在网络流量预测问题中达到了期望预测精度,具有较高的研究价值与广阔的应用场景。