1.一种融合流量特征的网络流量预测方法，其特征在于，收集并获得预设时间周期范围内的历史网络流量数据，并将所获的历史网络流量数据按照预设时间步长划分为预设数量个流量序列，分别针对各个流量序列，执行如下步骤A至步骤F，构建并获得网络流量预测模型，应用网络流量预测模型，对流量序列所对应的网络流量进行预测，获得网络流量的预测分类标签结果：

步骤A、按照预设比例将各个流量序列中的历史网络流量数据划分为用于训练网络流量预测模型的训练集、以及用于测试网络流量预测模型的测试集，随后进入步骤B；

步骤B、对训练集所对应的历史网络流量数据进行预处理，基于预处理后的历史网络流量数据，构建用于对历史网络流量数据进行流量特征分析、并输出历史网络流量数据所对应的流量序列的赫斯特指数的流量特征分析模块，随后进入步骤C；

步骤C、构建用于对训练集中历史网络流量数据进行预设特征提取、并输出历史网络流量数据大小分布特征的特征提取模块，随后进入步骤D；

步骤D、针对该流量序列所对应训练集中的各个历史网络流量数据，基于赫斯特指数、以及历史网络流量数据大小分布特征，构建用于对历史网络流量数据进行预测、获得网络流量预测分类标签的融合预测模块，随后进入步骤E；

步骤E、针对流量序列，基于历史网络流量数据、流量特征分析模块、特征提取模块、以及融合预测模块构建待训练网络流量预测模型，所述待训练网络流量预测模型以计算分析模块的输入端和特征提取模块的输入端为输入，以融合预测模块的输出端为输出进行训练，获得用于对网络流量进行预测、输出网络流量预测分类标签结果的网络流量预测模型，随后进入步骤F；

步骤F、针对测试集对应的历史网络流量数据，依次利用计算分析模块、特征提取模块、以及融合预测模块，得到历史网络流量数据对应的网络流量预测分类标签，利用赫斯特指数以及网络流量预测模型的误差指标对网络流量预测模型的预测分类标签结果进行修正更新。

2.根据权利要求1所述的一种融合流量特征的网络流量预测方法，其特征在于，所述步骤B中，分别针对各个流量序列分别所对应的各个训练集，输出流量序列的赫斯特指数，包括以下步骤：

步骤B1、对训练集中缺失预设指定属性的历史网络流量数据进行插补，根据以下公式：计算得到该流量序列在该预设时间步长内历史网络流量数据大小的平均值m，其中，n为流量序列所对应的预设时间步长，Xi为在该预设时间步长n内，时间片i对应的网络流量数据的大小；

步骤B2、基于历史网络流量数据大小的平均值，获得该流量序列所对应的累积偏差序列，进一步得到累积偏差序列的范围以及标准偏差，具体包括以下步骤：基于历史网络流量数据大小的平均值，获得该流量序列对应的均值调整序列Yi＝Xi‑m,i＝1,2,…,n，基于均值调整序列获得累积偏差序列 累积偏差序列的范围为Ri＝max(Zi)‑min(Zi),i＝1,2,…,n，进一步得到流量序列的标准偏差步骤B3、基于该流量序列对应的累积 偏差序列的范围、以及该流量序列的标准偏差，计算得到该流量序列的缩放范围(R/S)＝Ri/Si，基于缩放范围进一步得到该流量序列的赫斯特指数，根据公式：

其中，H为该流量序列的赫斯特指数，s为常数，i为预设时间步长n内的时间片。

3.根据权利要求1所述的一种融合流量特征的网络流量预测方法，其特征在于，所述步骤C中提取历史网络流量数据的预设特征，通过一维卷积非线性激活得到历史网络流量数l l

据大小分布特征 其中，l为一维卷积层，W 为一维卷积核，*为卷积运算，b为偏置项。

4.根据权利要求2所述的一种融合流量特征的网络流量预测方法，其特征在于，所述步骤D，基于融合流量特征后的LSTM网络构建网络流量预测模型，基于融合流量特征后的LSTM网络根据以下公式：

获得融合流量特征后的LSTM网络的遗忘门fi、输入门ii、输出门oi、以及LSTM网络的更新信息gi，其中，σ为sigmoid函数，xi为输入张量，wif、bif分别为遗忘门fi对应的权重矩阵和偏置项，whf、bhf分别为隐藏状态下遗忘门fi所对应的权重矩阵和偏置项，ai‑1为输出向量，wii、bii分别为输入门ii对应的权重矩阵和偏置项，whi、bhi分别为隐藏状态下输入门ii所对应的权重矩阵和偏置项，wio、bio分别为输出门oi对应的权重矩阵和偏置项，who、bho分别为隐藏状态下输出门oi所对应的权重矩阵和偏置项，wig、big分别为更新信息gi对应的权重矩阵和偏置项，whg、bhg分别为隐藏状态下更新信息gi对应的权重矩阵和偏置项，tanh为双曲正切函数；

基于融合流量特征后的LSTM网络的遗忘门fi、输入门ii、输出门oi、以及LSTM网络的更新信息gi，根据以下公式：

获得融合流量特征后的LSTM网络的隐含状态ci、输出张量yi、以及注意力层的输出Aout，其中，i为时间片，ci‑1为时间片i‑1对应的隐含状态，⊙为哈达玛乘子，score为注意力系数，score＝softmax(wai+b)，softmax为激活函数，w为注意力系数的权重，b为注意力系数的偏置项，ai为时间片i对应的输出向量。

5.根据权利要求4所述的一种融合流量特征的网络流量预测方法，其特征在于，网络流量预测模型在对网络流量进行预测时，网络流量预测模型中所包含的融合预测模块中所对应的融合后的LSTM网络中，该融合LSTM网络的遗忘门和输入门的输出经过sigmoid函数，输出的取值为0至1，当输出值趋向于1时，融合LSTM网络为记忆状态，当输出值趋向于0时，融合LSTM网络为遗忘状态，基于赫斯特指数H，当0.5

6.根据权利要求1所述的一种融合流量特征的网络流量预测方法，其特征在于，所述步骤F中，所述误差指标包括平方绝对误差、均方根误差、以及校正绝对系数。