1.一种多维电力通信网流量预测方法，其特征在于，包括以下步骤：步骤1、网络流量采集：网络流量采集针对计算机网络数据流的特性和变化情况进行监测和分析，根据网络流量来源的不同将网络流量分为网络节点端口流量、端到端的IP流量以及用户业务数据流量，流量采集将采集工具嵌入到路由器和交换机的网络传输设备上，实时采集SDH、OTN及EPON的设备的出口数据传输流量，利用路由器自带的Netflow功能进行网络流量监测：步骤1.1、基于云服务和SDN调控手段的网络流量采集；基于云服务和SDN调控手段的网络流量采集方法的模型架构分为四层，自底向上分为物理层、虚拟层、控制层和应用层，接口层作为应用层中的一个子模块，包含在应用层的下部，应用层与接口层交互就能够获取所请求的测量分析服务；步骤1.2、横向和纵向数据的提取；横向和纵向历史数据中，定义采样间隔为Δt小时，定义日周期为ΔT小时；定义S(t,d)为第d天的第t采样时刻的采样值，其中d＝1,2,...,m，m为历史数据的总天数；在同一日期下，等周期不同时刻的流量数据为横向维度，采样间隔Δt的横向流量数据，横向数据源序列用x表示为：x＝{S′(d)|d＝1,2,...,n}，令x＝{x i |i＝1,2,...,Lx}为横向数据序列，其中 为横向训练序列数据长度；纵向历史数据提取是在不同日期下同一时刻的数据流量的纵向维度，表示为下式：y t ＝{S(t,d)|d＝1,2,...,Ly；Ly≤m}令y t ＝{y (t,i) |i＝1,2,...Ly}为纵向时间序列，其中Ly为纵向序列的长度步骤2、多维流量预测；对电力通信业务流量特性进行分析，具体包括以下步骤：步骤2.1、横向流量数据预测；BP神经网络能够使用任何可微分的函数作为它的传递函数；采用不同的传递函数将达到不同的输出值；对于网络流量的预测，由于BP神经网络各层的初始连接权值是任意的，先对BP神经网络进行训练，BP神经网络通过训练将样本的真实输出之间的误差反向传播到各层的神经元，采用梯度下降法不断的调节各层的权值，减小因权值带来的偏差，使训练样本真实输出与神经网络输出的误差在设定的范围内或者达到最大训练次数；步骤2.2、纵向历史数据预测：纵向历史数据定义为不同日期下同一时刻的数据流量为纵向维度，采用线性FARIMA模型预测；Elman神经网络由输入层、隐含层，连接层和输出层组成，是在BP网络基础上增加了一个内部反馈环节，内部反馈环节是通过结构单元的延迟，存储和自联到隐含层的输入端，用于记忆隐含层的过去态，并在下一时刻连同网络输入一起作为隐含层单元的输入，使得网络具有动态记忆功能；设网络的外部输入为u(k)，输出为y(k)，k为迭代次序，w为n维的神经网络连接权系数；则对于Elman神经网络有下式成立：x(k)＝(w 1 x c (k))+w 2 u(k-1))x c (k))＝x(k-1)y(k))＝g(w 3 x(k))其中w 1 ，w 2 ，w 3 分别为结构单元到隐含层、输入层到隐含层以及隐含层到输出层的连接权矩阵，f(w 1 x c (k)+w 2 u(k-1))、g(w 3 x(k))分别为输出层单元和隐含层单元的激发函数组成的非线性向量函数；步骤3、单指数平滑算法引入动态权值更新策略：从现有的SG-TMS电力通信网管系统采集的历史数据分为横向和纵向两个维度；然后分别针对两个维度的特性选择算法进行预测，用单指数平滑算法引入动态权值更新策略，用横向预测算法和纵向预测算分别计算横向和纵向维度在t+T时刻的预测值，并通过权值w求和得到最终预测输出，用单指数平滑算法更新权值w。
2.根据权利要求1所述的一种多维电力通信网流量预测方法，其特征在于，所述步骤2中，多分形即网络流量分布不均匀，在不同的时间尺度下的流量表现为差异性的流量特点因此一个维数无法描述其全部特征，需要采用多重分形测度或维数来表示。
3.根据权利要求2所述的一种多维电力通信网流量预测方法，其特征在于，所述步骤1.1中，应用层利用SG-TMS网管系统获取流量数据并安装数据抓取软件与现场采集模块互联互通，调用采集数据，通过接口层与底层的交互完成流量采集测量服务。
4.一种应用权利要求1至3之一所述多维电力通信网流量预测方法的多维电力通信网流量预测系统，其特征在于，包括：应用层设备及接口模块、SDN控制器、SDN协调器、SDN设备、OTN设备、EOPN设备，应用层设备及接口模块与SDN控制器连接，SDN控制器与SDN协调器连接；SDN设备与SDN控制器连接，SDN设备、OTN设备、EOPN设备依次连接。
5.根据权利要求4所述的一种多维电力通信网流量预测系统，其特征在于，所述SDN控制器能够加载在OTN、SDH的光通信网络上层并设置SDN控制器以及SDN协调器。
6.根据权利要求4所述的一种多维电力通信网流量预测系统，其特征在于，所述SDN控制器通过开放的北向接口与上层应用层相连。
