1.一种基于改进ABC‑VMD的LSSVM网络流量预测方法，其特征在于，包括：获取非平稳SDN网络流量数据；采用优化的变分模态分解法将非平稳SDN网络流量数据进行转换分解，得到平稳时间序列分量；采用最小二乘支持向量机对每个平稳时间序列分量进行预测，得到每个分量的预测数据；将每个分量预测数据进行重构，得到网络流量预测结果；根据网络流量预测结果对该网络进行流量控制；

采用优化的变分模态分解法将非平稳SDN网络流量数据进行转换分解包括：采用改进的人工蜂群算法对变分模态分解法中的参数进行优化，采用参数优化后的变分模态分解法对非平稳SDN网络流量数据进行分解，得到平稳时间序列分量；采用改进的人工蜂群算法对变分模态分解法中的参数进行优化的过程包括：步骤1：初始化人工蜂群算法的参数，该参数包括：蜂群的蜜蜂总数Nc、引领蜂数量Ne、跟随蜂数量No、算法解的个数Ns、最大迭代次数M以及食物源参数组合(K,σ)；

步骤2：采用ADF检验输入数据的平稳性；

步骤3：根据平稳性验证结果构建适应度函数；适应度函数为：其中，pi为各分量平稳性检验结果统计量的概率值；

步骤4：引领蜂寻找蜜源，搜索新解，并计算每个解的适应度值，如果新的适应度值更大，则更新替换旧解；

步骤5：当引领蜂更新完蜜源后，按照蜜源的效益度大小计算跟随概率，跟随蜂依据跟随概率选择采蜜蜂进行跟随并进行领域搜索；

步骤6：若解的更新失败次数超过最大搜索次数，则不能继续被优化，跟随蜂放弃此解，此时跟随蜂转换为侦察蜂，开始搜索新蜜源；

步骤7：如果达到最大迭代次数，则训练结束，输出最优参数组合(K,α)；否则，返回步骤

4；

采用参数优化后的变分模态分解法对非平稳SDN网络流量数据进行分解的过程包括：步骤1：初始化参数 以及 并令n＝0；其中 表示模态分量集合， 表示模态中心频率， 表示拉格朗日乘子，n表示分量个数；

步骤2：将序列号n加1，并对参数uk和ωk进行更新；对参数uk和ωk进行更新的公式为：其中， 表示更新后的频谱，ω表示中心频率， 表示瞬时频率， 表示模态函数ui的频率， 表示λ的频谱，α表示惩罚因子，ωk表示中心频率， 表示更新后的中心频率；

步骤3：根据更新后的参数uk和ωk对参数λ进行更新；对参数λ进行更新的公式为：其中，ω表示中心频率， 表示λ的频谱， 表示瞬时频率， 表示更新后的频谱，k表示分解层数；

步骤4：计算判别精度，若判别精度大于0，则停止迭代，并输出结果，该结果包括k个模态分量及其中心频率；否则返回步骤2；

采用优化的最小二乘支持向量机对每个平稳时间序列分量进行预测的过程包括：步骤1：获取一组SDN网络流量样本集合，根据获取的样本集合构建线性回归函数；

步骤2：根据线性回归函数将回归问题转化为求解函数的最小问题；

步骤3：采用拉格朗日函数对最小问题进行优化，得到预测函数；预测函数为：其中，(α1,…，αN)是权重向量，K(x,xi)是内核函数，b是偏置；

步骤4：根据预测函数得到预测结果。

2.根据权利要求1所述的一种基于改进ABC‑VMD的LSSVM网络流量预测方法，其特征在于，ADF检测模块包括第一模型、第二模型以及第三模型，采用ADF检验输入数据的平稳性包括依次采用第三模型、第二模型以及第一模型对输入数据的平稳性进行检测，其检测的表达式为：第一模型：

第二模型：

第三模型： 其中，Δyt表示时间序列yt的一阶差分，β表示待估计参数，yt‑1表示时间序列，θi表示滞后变量中的待估计参数，m表示样本容量，Δyt‑i表示Δyt的滞后变量，ut表示残差项，α表示常数项，γ表示趋势项，t表示时间变量。

3.根据权利要求1所述的一种基于改进ABC‑VMD的LSSVM网络流量预测方法，其特征在于，计算判别精度的公式为：2

其中， 表示更新后的频谱， 表示模态函数uk的频率， 表示L范数。