1.一种基于集合经验模态分解的组合型网络流量预测方法，其特征在于，包括：S1：获取原始流量数据并进行预处理；

S2：通过集合经验模态分解将网络流量分解为不同时间尺度上频率单一的有限个本征模函数IMF分量；

S3：对IMF分量进行自相关性和偏自相关性分析，确定IMF分量的平稳性；

S4：对平稳的IMF分量用线性的ARMA模型预测；

S5：对非平稳的IMF分量用非线性的Elman神经网络预测；

S6：将各IMF分量的预测值进行求和得到网络流量的预测值。

2.根据权利要求1所述的一种基于集合经验模态分解的组合型网络流量预测方法，其特征在于，步骤S1中的预处理包括：对流量数据时间序列进行归一化处理，使数据范围在0～1之间，归一化具体为：

其中，x'为归一化后网络流量值；x为网络流量真实预测值；xmax表示网络流量的最大值；xmin表示网络流量的最小值。

3.根据权利要求1所述的一种基于集合经验模态分解的组合型网络流量预测方法，其特征在于，所述通过集合经验模态分解将网络流量分解为不同时间尺度上频率单一的有限个本征模函数IMF分量包括：

S21：令i＝1，并选择N种白噪声信号；

S22：往原信号中加入第i种白噪声信号，构成信噪混合体；

S23：把信噪混合体进行经验模态分解，分解成IMF分量的组合；

S24：判断i是否大于N，若大于则对得到的所有IMF分量求平均值，否则令i＝i+1并返回步骤S22。

4.根据权利要求3所述的一种基于集合经验模态分解的组合型网络流量预测方法，其特征在于，把信噪混合体进行经验模态分解包括：S221：找出信号x(t)的所有局部极大值和局部极小值；

S222：通过极值拟合得到信号x(t)的上包络emax(t)和下包络emin(t)；

S223：计算局部均值m(t)，表示为：m(t)＝(emin(t)+emax(t))/2；

S224：将原始输入信号减去局部均值得到振荡信号h(t)，表示为：h(t)＝x(t)－m(t)；

S225：当h(t)满足IMF分量的条件时，令c1＝h(t)，则c1为第一个IMF分量，对应的余量r1＝x(t)－c1；否则，用h(t)替换x(t)并转到步骤S221；

S226：当r1仍包含原始数据中的频率信息时，将r1替换x(t)并转到步骤S221，得到第二个IMF分量，以此类推，得到r1－c2＝r2,...,rn‑1－cn＝rn；当cn或rn小于设定值，或rn成为单调函数时，停止筛分过程。

5.根据权利要求1所述的一种基于集合经验模态分解的组合型网络流量预测方法，其特征在于，对IMF分量的自相关性和偏自相关性分析包括：IMF分量的自相关函数表示为：IMF分量的偏自相关函数表示为：其中，γk为k时刻的自协方差，表示为 yk代表k时刻的网络流量，yt+k代表t+k时刻的网络流量，N为序列的长度；ρk为k时刻的自相关函数；αk,j为k时刻的偏自相关函数；γ0为0时刻的自协方差。

6.根据权利要求1所述的一种基于集合经验模态分解的组合型网络流量预测方法，其特征在于，ARMA模型的建立过程包括：S41：利用自相关函数和偏自相关函数的拖尾性，确定ARMA模型的自回归阶数p和移动平均阶数q；

S42：利用最小二乘估计法对ARMA模型的未知参数进行估计，未知参数包括自回归系数、滑动平均系数以及白噪声方差；

S43：利用赤池信息量准则AIC对不同的p、q参数组合进行模型检验，得出最优p、q参数组合；

S44：根据自回归系数、滑动平均系数以及白噪声方差建立ARMA模型。

7.根据权利要求1所述的一种基于集合经验模态分解的组合型网络流量预测方法，其特征在于，Elman神经网络的训练过程包括：S51：选取合适的各层神经元个数，初始化网络结构的参数、初始化连接权值和误差指标ε和最大学习次数D，令d＝1；

S52：计算隐含层、承接层、输出层各神经元的输出；

S53：根据IMF分量的预测值和真实值之间的误差修正各层之间的连接权值；

S54：计算误差平方和函数E，判断是否E＜ε，若是则输出并储存各层之间的连接权值，否则进行S55；

S55：判断是否d>D，若是则输出并储存各层之间的连接权值，否则令d＝d+1并返回步骤S52。

8.根据权利要求1所述的一种基于集合经验模态分解的组合型网络流量预测方法，其特征在于，将各IMF分量的真实预测值相加时，需要对各IMF分量的预测值进行反归一化处理，表示为：

x＝x'(xmax‑xmin)；

其中，x'为归一化后网络流量值，x为网络流量真实预测值；xmax表示网络流量的最大值；xmin表示网络流量的最小值。