随着移动网络的演进和发展,全球移动设备数量和规模呈现指数级增长,这些设备在方便了人类生活的同时也产生了大量的移动流量。在基站的无线覆盖范围中,用户设备与网络之间实现了无线通信,使得用户设备能够通话上网。运营商在不同的位置设立基站,每个基站根据自身覆盖范围内网络情况记录网络性能指标数据。但是现有方法大多侧重于关注网络性能指标数据的时间序列信息,忽略了不同基站之间收集到的网络性能指标数据存在空间联系。本文提出的算法同时使用了时间信息和空间信息,该算法包括两个模型分别是基于深度学习和时空信息的基站嵌入表示学习模型和基于深度学习和时空信息的网络性能指标预测模型,并做了进一步得改进。基于深度学习和时空信息的基站嵌入表示学习模型使用类自编码器架构提取不同基站在一段时间内的时间信息和空间信息,得到基站的嵌入表示。该模型使用长短期记忆网络(Long short-term memory,LSTM)提取时间信息,捕捉网络性能指标随时间变化的规律。提出了加法器提取基站的空间信息,同时考虑基站之间距离,提出了软阈值来控制基站之间的关联程度,使得邻近基站有更高的相关性。在训练模型时,相比把所有损失直接相加的传统方法,本文设计了带权重的损失函数,可以为不同的指标设置不同的权重,使得使用者可以指定每个指标的重要程度。在实验中,该模型得到的基站嵌入表示取得了更好的聚类效果,其戴维森堡丁指数为0.914,优于基于时间的自编码器模型的1.419。基于深度学习和时空信息的网络性能指标预测模型利用时间信息和空间信息对基站未来的网络性能指标进行预测。该模型使用LSTM来学习网络性能指标随时间变化的波动规律,考虑了基站在每一个时刻空间上的相互影响,并使用了软阈值来控制基站之间的相关性。最后使用LSTM预测未来网络性能指标走向。该模型同样使用了带权重的损失函数,使得模型可以牺牲不重要的网络性能指标的精度从而改善重要的网络性能指标的预测精度。在实验中,本文提出的模型取得了比只使用时间信息的模型更好的效果,其均方误差为0.01302,取得了 11%的效果提升。在进一步的改进中,本文设计了基于嵌入向量的平滑分时段聚类方法,从得到随时间流逝的聚类展示。提出了基于基站嵌入表示的加速算法,基站嵌入表示能够帮助只使用时间信息的模型在增加少量训练时间的同时将效果提升至与使用时空信息的模型相似的程度,实验中,在几乎不增加训练时间的前提下将均方误差从0.01463降至0.01334。最后设计了网络性能指标预测模型的动态训练方法,可以在每收集一个时间点的同时对该时间点的数据再进行训练,让模型学习新的时间趋势,提升模型效果,在实验中,动态训练取得了 0.01318的均方误差,好于静态训练0.01358的均方误差。本文首先介绍了选题的背景和意义,分析了现阶段常用的移动网络分析模型。提出了一种基于时空信息的基站嵌入表示学习模型和一种基于时空信息的移动网络指标预测模型。并对两种模型做了改进。针对不同算法分别设计了实验,实验结果验证了本文提出的算法的有效性和可行性。最后结束语总结了全文工作和主要创新点,对下一步工作进行了展望。