1.一种基于数据重建和混合预测的网络流量预测方法，其特征在于，包括：
获取网络流量值数据；
对所述网络流量值数据进行重建，得到重建的网络流量值数据；
利用emd算法对所述重建的网络流量值数据进行分解处理，得到若干网络流量值分量；
利用所述若干网络流量值分量对gru-vtd神经网络进行训练，得到训练好的gru-vtd神经网络；
利用训练好的gru-vtd神经网络进行预测，并根据得到的预测值和网络流量值数据计算预测误差，以对模型进行性能评估。
2.根据权利要求1所述的基于数据重建和混合预测的网络流量预测方法，其特征在于，对所述网络流量值数据进行重建，得到重建的网络流量值数据，包括：
对所述网络流量值数据进行初始化，得到多信息的网络流量值数据；
对所述多信息的网络流量值数据中的缺失点进行补足，得到补足完整的网络流量值数据；
对所述补足完整的网络流量值数据中的离群点进行剔除，得到重建的网络流量值数据。
3.根据权利要求2所述的基于数据重建和混合预测的网络流量预测方法，其特征在于，对所述多信息的网络流量值数据中的缺失点进行补足，得到补足完整的网络流量值，包括：
根据可接受的流量最小值和相邻网络流量值之间的时间间隔对所述多信息的网络流量值数据进行筛查，当满足xt<σ或两个相邻数据的时间间隔大于采样间隔时，则判定该点为缺失点；其中，xt表示流量序列x(t)在时刻t的数据，σ表示可接受的流量最小值；
利用平均值法对所述缺失点进行补足，得到补足完整的网络流量值数据。
4.根据权利要求3所述的基于数据重建和混合预测的网络流量预测方法，其特征在于，利用平均值法对所述缺失点进行补足，包括：
根据当前缺失点的前三个时刻的数据平均值对该缺失点进行补足，表示为：
其中，
5.根据权利要求2所述的基于数据重建和混合预测的网络流量预测方法，其特征在于，对所述补足完整的网络流量值数据中的离群点进行剔除，得到重建的网络流量值数据，包括：
对所述补足完整的网络流量值数据进行归一化处理，得到归一化的网络流量值数据；
对所述归一化的网络流量值数据进行筛查，当不满足
利用差值替换法或趋势替换法对所述离群点进行剔除，得到重建后的网络流量值。
6.根据权利要求5所述的基于数据重建和混合预测的网络流量预测方法，其特征在于，利用差值替换法或者趋势替换法对所述离群点进行剔除，包括：
利用插值替换法计算离群点的替换值，计算公式为：
或者利用趋势替换法计算离群点的替换值，计算公式为：
其中，
利用该离群点的替换值替换所述离群点的流量值。
7.根据权利要求1所述的基于数据重建和混合预测的网络流量预测方法，其特征在于，利用emd算法对所述重建的网络流量值数据进行分解处理，得到若干网络流量值分量，包括：
利用emd算法对所述重建的网络流量值数据进行分解处理，得到具有不同频率的imf分量；
将每个所述imf分量按照一定比例分割为训练集和测试集。
8.根据权利要求7所述的基于数据重建和混合预测的网络流量预测方法，其特征在于，利用所述若干网络流量值分量对gru-vtd神经网络进行训练，得到训练好的gru-vtd神经网络，包括：
构建多信息感知的gru-vtd神经网络；
将每个所述imf分量中训练集的网络流量值及其对应的时间戳和来源信息分别输入到所述gru-vtd神经网络的第一输入层、第二输入层以及第三输入层，得到的gru-vtd神经网络的输出层结果；
将所述gru-vtd神经网络的输出层结果与输入的网络流量值之间的mse作为损失函数调整神经网络节点间的连接权重，以对各个gru-vtd神经网络进行训练，得到训练好的gru-vtd神经网络。
9.根据权利要求8所述的基于数据重建和混合预测的网络流量预测方法，其特征在于，利用训练好的gru-vtd神经网络进行预测，并根据得到的预测值和网络流量值数据计算预测误差，以对模型进行性能评估，包括：
将每个所述imf分量中测试集的网络流量值及其对应的时间戳和来源信息分别输入到对应的训练好的gru-vtd神经网络的第一输入层、第二输入层以及第三输入层，并将每个gru-vtd神经网络的输出结果进行累加，得到模型的预测值；
计算所述模型的预测值与所述网络流量值数据之间的预测误差，并根据该预测误差对网络模型进行评估。
10.一种基于数据重建和混合预测的网络流量预测装置，其特征在于，包括：
数据获取模块(1)，用于获取网络流量值数据；
重建模块(2)，用于对所述网络流量值数据进行重建，得到重建的网络流量值数据；
分解模块(3)，用于利用emd方法对所述重建的网络流量值数据进行分解处理，得到若干网络流量值分量；
训练模块(4)，用于利用所述若干网络流量值分量对gru-vtd神经网络进行训练，得到训练好的gru-vtd神经网络；
预测模块(5)，用于利用训练好的gru-vtd神经网络进行预测，并根据得到的预测值和网络流量值数据计算预测误差，以对模型进行性能评估。