准确地估计始发地（OD）网络流量对于网络管理和容量规划至关重要。然而，潜在的网络异常和复杂的噪声使得这一目标难以实现。现有的网络流量估计方法通常不依赖于异常检测来估计网络流量，忽略了两个任务之间的潜在关系，无法达到更好的估计性能。此外，这些方法仅适用于简单的高斯噪声或离群噪声假设，而在实际应用中无法应用于更复杂的噪声分布。针对这些问题，我们提出了一种新的容忍异常的网络流量估计方法，能同时估计网络流量和检测网络异常。具体地说，利用流量矩阵固有的低秩性和时间特性，将网络流量估计问题描述为一个噪声免疫的时间矩阵完全（NiTMC）模型，并用混合高斯（MoG）拟合复杂噪声，用L2,1-范数正则化方法来平滑网络异常。此外，我们还设计了一种基于期望最大化（EM）和块坐标更新（BCU）方法的优化算法来求解该模型并确保收敛。此外，针对大规模网络问题，我们采用随机近端梯度下降（SPGD）方法，提出了一种可伸缩的、内存有效的算法。最后，在实际数据集上进行的大量实验表明，我们提出的NiTMC模型优于以前广泛使用的网络流量估计方法。

本研究由南京邮电大学在本项目的支持下主导完成，发表于CCF推荐A类期刊IEEE JSAC上，原文可访问https://doi.org/10.1109/JSAC.2019.2904347。