1.一种基于视频流量预测模型的改进TFRC拥塞控制系统，其特征在于，包括：视频流量数据获取模块、视频流量发送速率预测模块及数据包发送速率调整模块，其中，视频流量数据获取模块采用抓包软件对每秒视频数据包的发送率进行采集；

视频数据包发送速率预测模块采用小波变换与神经网络门控循环单元GRU的组合预测模型对视频包发送速率进行预测，将历史发送速率及当前网络下的网络吞吐量数据，延时情况以及丢包率等影响参数作为预测模型的输入，对视频流量发送速率进行预测；

数据包发送速率调整模块将发送速率预测值作为下一时刻TFRC协议调节视频发送端发送速率的一个参考因子，与原TFRC计算的预估值共同作用于调节发送速率中，进行视频发送端视频流量发送速率的调节。

2.根据权利要求1所述的一种基于视频流量预测模型的改进TFRC拥塞控制系统，其特征在于，所述视频流量数据获取模块获取视频发送端的视频流量包大小、视频流量发送率、当前网络下的网络吞吐量、延时以及丢包率，其中视频流量包大小是指视频发送端将视频数据压缩打包后的数据包大小；视频流量发送率是指视频发送端每秒所发送的数据量大小；网络吞吐量是指在没有帧丢失的情况下，设备能够接收并转发的最大数据速率；延时是指在传输介质中传输所用的时间，即从报文开始进入网络到它开始离开网络之间的时间；

丢包率是指传输过程中丢失的数据包数占传输数据的比率。

3.根据权利要求2所述的一种基于视频流量预测模型的改进TFRC拥塞控制系统，其特征在于，所述视频流量数据获取模块采用的抓包软件是WireShark对发送端发送速率相关数据进行抓包，采集特征数据，然后通过小波变换对特征数据继续分解为高频和低频分量；

其中，小波变换函数选择Symlets小波函数对数据进行分解和重构。

4.根据权利要求1或2或3所述的一种基于视频流量预测模型的改进TFRC拥塞控制系统，其特征在于，所述视频流量发送速率预测模块是基于小波变换和GRU神经网络搭建的，其中，小波变换对收集到的特征数据进行预处理，再作为GRU神经网络的输入数据，小波变换选择Symlets小波；GRU神经网络由输入层、隐藏层和输出层组成，隐藏层为两层，其中选择MSE为损失函数，公式为 其中N代表样本个数， 代表样本均值，xt代表样本值，t代表样本序号。MSE是反映预测结果和实际值之间差异程度的一种度量，设a2

为预测结果值，b为实际的值，则(a‑b) 就称为预测值a的均方误差，优化器选择adam；其次输入层采用以上获取的特征数据经过小波变换处理后作为输入，隐藏层维度分别为128和

64，输出层输出结果为未来时刻发送端视频流量发送速率大小，同时dropout率设置为

0.02，迭代次数设置为1000次。

5.根据权利要求4所述的一种基于视频流量预测模型的改进TFRC拥塞控制系统，其特征在于，所述组合预测模型的预测流程分为三步，第一步为使用小波变换将数据分解为高频和低频两个部分，第二部为使用GRU神经网络分别对低频和高频数据进行训练并进行结果预测，第三步为利用小波变换将高频和低频分量的预测结果合并，最终形成预测结果，GRU神经网络会在当前时间步做出预测，并且将预测信息作为下一步预测的输入信息，继续向前继续预测。

6.根据权利要求5所述的一种基于视频流量预测模型的改进TFRC拥塞控制系统，其特征在于，所述数据包发送速率调整模块，是在网络进入拥塞避免阶段后，发送端将预测的发送率μWSG，初始发送速率μinit和TFRC协议所得出的发送速率μT进行比较，如果μT>μWSG>μinit，则将预测的发送率μWSG作为发送端发送速率调整的上限进行发送速率调整，如果μWSG>μT>μinit，则将TFRC协议所得出的发送速率μT作为发送端发送速率调整的上限进行发送速率调整；如果μinit>μWSG>μT，则将预测的发送率μWSG作为发送端发送速率调整的下限进行发送速率调整，如果μinit>μT>μWSG，则将TFRC协议所得出的发送速率μT作为发送端发送速率调整的下限进行发送速率调整。

7.一种基于视频流量预测模型的改进TFRC拥塞控制方法，其特征在于，包括：视频流量数据获取步骤、视频流量发送速率预测步骤及数据包发送速率调整步骤，其中，视频流量数据获取步骤：采用抓包软件对每秒视频数据包的发送率进行采集；

视频数据包发送速率预测步骤：采用小波变换与神经网络门控循环单元GRU的组合预测模型对视频包发送速率进行预测，将历史发送速率及当前网络下的网络吞吐量数据，延时情况以及丢包率等影响参数作为预测模型的输入，对视频流量发送速率进行预测；

数据包发送速率调整步骤：将视频流量发送速率预测值作为下一时刻TFRC协议调节视频发送端发送速率的一个参考因子，与原TFRC计算的预估值共同作用于调节发送速率中，进行视频发送端视频流量发送速率的调节。

8.根据权利要求7所述的基于视频流量预测模型的改进TFRC拥塞控制方法，其特征在于，所述视频流量发送速率预测步骤具体为：采用小波变换对收集到的特征数据进行预处理，再作为GRU神经网络的输入数据，小波变换选择Symlets小波；GRU神经网络由输入层、隐藏层和输出层组成 ，隐藏层为两层，其中选择MSE为损失函数 ，公式为其中N代表样本个数， 代表样本均值，xt代表样本值，t代表样本序号。MSE是反映预测结果和实际值之间差异程度的一种度量，设a为预测结果值，b为实际的2

值，则(a‑b) 就称为预测值a的均方误差，优化器选择adam；其次输入层采用以上获取的特征数据经过小波变换处理后作为输入，隐藏层维度分别为128和64，输出层输出结果为未来时刻发送端视频流量发送速率大小，同时dropout率设置为0.02，迭代次数设置为1000次。

9.根据权利要求7所述的基于视频流量预测模型的改进TFRC拥塞控制方法，其特征在于，所述数据包发送速率调整步骤，是在网络进入拥塞避免阶段后，发送端将预测的发送率μWSG，初始发送速率μinit和TFRC协议所得出的发送速率μT进行比较，如果μT>μWSG>μinit，则将预测的发送率μWSG作为发送端发送速率调整的上限进行发送速率调整，如果μWSG>μT>μinit，则将TFRC协议所得出的发送速率μT作为发送端发送速率调整的上限进行发送速率调整；如果μinit>μWSG>μT，则将预测的发送率μWSG作为发送端发送速率调整的下限进行发送速率调整，如果μinit>μT>μWSG，则将TFRC协议所得出的发送速率μT作为发送端发送速率调整的下限进行发送速率调整。