软件定义网络(SDN)环境下，网络流量基于拓扑结构的复杂性和时间动态特性，导致流量预测面临空间与时间特征带来的双重挑战。为解决这一问题，提出了一种基于鲸鱼算法(WOA)的流量预测模型。该模型通过融合卷积神经网络(CNN)对空间特征的提取能力和长短期记忆网络(LSTM)对时间序列特征的捕捉能力，通过WOA优化模型超参数来提高预测精度。最后与CNN-LSTM、PSO-LSSVM等方法进行对比。结果表明，WOA-CNN-LSTM模型在MAE、RMSE和MAPE指标上分别较CNN-LSTM模型相对减少80.91%、69.21%和72.91%,较PSO-LSSVM相对减少40.29%、19.10%和34.76%。实验验证了该模型在SDN流量预测中的良好性能，为复杂网络环境下的流量预测提供了新思路。