机会网络是一种节点对不断连接又经常断开的间歇式连通网络,通过节点频繁移动带来的连接机会实现通信的分布式系统,具有网络拓扑非连通、规模大、动态性高,节点移动具有一定的社会性、非周期性,机会通信存在间歇性、时序性等特点,近年来学术界对其十分关注。链路预测是通过研究节点属性和节点之间网络拓扑结构动态变化,估计节点间未来存在链接的可能性,是机会网络研究的热点和难点之一。论文分析了机会网络拓扑结构随时间不断发生改变的特点,介绍了国内外现有的链路预测方法以及轻量级梯度提升机在解决时间序列问题中的广泛应用。针对机会网络中节点不断移动的特点,引入历史信息分别改进基于邻居的资源分配指标和基于距离的局部路径指标,并将两者融合得到机会网络相似性指标O_LS;对时间序列进行分析,划分时间片后构造滑动时间窗口,计算相应的机会网络相似性指标O_LS,得到预测模型的输入;选择决策树作为基学习器,投票法作为集成策略,以网格搜索和交叉验证的方法优化训练模型确定模型的迭代次数和树叶子节点的数目,得到轻量级梯度提升机模型,预测机会网络的链路。本文使用ITC和INFOCOM两个真实世界数据集,基于Sklearn机器学习库进行实验,采用精确度和AUC作为评价指标,验证相似性指标O_LS的有效性和稳定性,评价机会网络预测模型的性能。两个数据集上的实验结果表明,相比于CN、PA、RA相似性指标预测方法,本文构造的相似性指标O_LS具有更好的精确度和稳定性,以及构建的轻量级梯度提升机预测模型表现出良好的预测性能。