1.一种网络流特征值的预测方法，其特征在于，包括：获取物联网网络中的网络流；提取所述网络流的特征值，基于特征值得到时间序列；

对所述时间序列进行检验，检验判断所述时间序列是否充分随机；基于检验结果通过ARIMA模型或正态分布对时间序列进行预测，得到网络流特征值预测结果；

对所述时间序列的随机性进行检验后，所述时间序列不是充分随机的，则通过ARIMA模型对所述时间序列进行预测，若所述时间序列是充分随机的，则通过正态分布对所述时间序列进行预测；

通过ARIMA模型对时间序列进行预测的过程包括：构建ARIMA模型，将所述时间序列输入到ARIMA模型中进行参数拟合，得到模型参数，将模型参数代入更新ARIMA模型，将所述特征值序号t输入至更新后的ARIMA模型中，得到预测特征值 即网络流特征值预测结果：其中ARIMA模型 为：

其中， 为自回归模型的阶数，

D为差分度，为移动平均模型的阶数，为固定滞后算子， 为第i个滞后算子， 是自回归模型的参数， 为移动平均模型的参数，是误差项，是常数项；

通过正态分布对时间序列进行预测的过程包括：计算时间序列中的特征值的均值 ；

计算时间序列中的特征值的方差 ；

基于所述均值及方差，得到预测特征值 即网络流特征值预测结果：其中， 为从给定的均值、方差

构成的正态分布中，返回一个抽取的随机样本。

2.根据权利要求1所述的预测方法，其特征在于：所述物联网网络中的网络流中包括少于网络流实际数据包数量的数据包，即所述网络流为一条不完整的网络流。

3.根据权利要求1所述的预测方法，其特征在于：对所述时间序列进行检验的具体过程包括：构建并初始化滞后值，并对滞后值进行迭代更新，直到滞后值达到预设条件时停止更新；

基于停止更新后的滞后值，对所述时间序列进行显著性分析，得到统计量；

对所述统计量进行阈值判断，当所述统计量小于预设阈值时，则时间序列为充分随机的，否则时间序列不是充分随机的。

4.根据权利要求3所述的预测方法，其特征在于：所述预设条件为：

其中， 为滞后值， 为向下取整函

数， 为网络流数据包的数量。