随着移动通信技术的高速发展,移动互联网已经应用到诸如支付、餐饮、交通、多媒体等诸多领域之中,无线通信的业务数据流量呈现爆发式增长,但是网络资源是有限的,如何在有限的资源下满足以上服务要求给移动通信网络和网络运营商带来了极大的挑战。通过对无线网络流量的预测,有助于合理有效地分配网络资源(如频谱资源、信道资源),为用户提供更稳定更高效的服务,保证网络性能。无线网络流量预测的方法多种多样,其中,神经网络在该领域中的应用较为广泛,然而传统神经网络对时间序列数据的时间相关性利用有限,无法满足当下的资源分配的流量预测精度要求。所以,本论文主要研究如何利用深度学习提高无线网络流量预测的精度,以此充分利用无线网络资源。本论文提出两种基于深度学习的无线网络流量预测方法。一是基于栈式自编码网络(Stacked Autoencoder Network,SAE)的无线网络流量预测方法,该方法主要利用栈式自编码网络的特征提取能力,可以有效的进行流量预测;二是基于长短期记忆网络(Long Short-term Memory Network,LSTM)的无线网络流量预测方法,该方法使用长短期记忆网络进行无线网络流量预测,充分利用了无线网络流量数据自身的时间相关性,对输入的数据具有相对长时间的记忆功能,可以将前面时刻输入的数据保存在记忆单元中。当做预测时,长短期记忆网络可以根据记忆单元中的数据和当前时刻的输入共同进行未来时刻的流量预测。仿真结果表明,通过与基于栈式自编码网络的无线网络流量预测的结果对比,基于长短期记忆网络的无线网络流量预测的精度更高。