当今时代蜂窝无线网络发展迅速,流量数据呈指数倍增长,且智能终端被广泛使用,用户对于网络质量的要求也逐渐增高。因此,运营商和硬件制造商要确保蜂窝移动网络质量的同时还要对网络性能进行不断地优化。其中,对蜂窝移动网络性能的评估和预测对于网络性能优化、通信网络的整体规划与改善起着至关重要的作用。此外,在智能终端设备搭载系统中,安卓系统凭借超高的市场占有率以及良好的代表性,成为大部分智能设备搭载的操作系统。因此,本文基于安卓操作系统构建并实现了蜂窝网络数据采集分析平台,准确采集与定位了蜂窝网络数据信息,并针对蜂窝网络性能评估和预测展开了相关研究,本文主要研究工作及创新点包括:一、构建并实现了蜂窝网络数据采集分析平台NetAnalyzer,并详细阐述该平台的整体架构与各组成模块的结构与功能。其中,平台的终端系统可以收集所测网络的多维度数据,如信干噪比、传输时延、蜂窝网络信号强度等,平台的服务器端系统负责数据的多线程传输,存储和并行计算。平台还提供数据可视化功能,可以直观地看到蜂窝网络数据的位置分布规律。并提出了一种混合室内定位算法,并将该算法运用在数据采集分析系统平台上。所设计的平台配合室内部署的蓝牙装置与终端传感器对用户终端设备进行室内定位,并记录终端设备采集数据的位置信息,从而得到高准确度的室内蜂窝网络性能参数的位置分布。二、提出了一种蜂窝移动网络性能检测与评估策略,并利用蜂窝网络数据采集平台得到的数据对蜂窝网络性能进行检测与评估。将平台采集得到的多维度网络性能参数如信号强度、网络速率等进行区域迭代加权处理,从而得到一种综合性能指标来评估网络性能,并利用轮廓标记算法对结果进行干扰消除,最后将各网络性能指标划分不同等级。采取该性能检测评估策略,可以直观看到室内蜂窝网络性能的分布,通过采取基于轮廓标记法的干扰消除,使得系统输出的网络性能分布图像精确度有较大的提升。三、构建了一种时序预测模型,并将该模型运用到平台中,对采集到的蜂窝网络性能指标序列进行了预测。该模型由深度置信网络(Deep Belief Network,DBN)模型与改进的支持向量回归(Support Vector Regression,SVR)算法组成,由DBN模型对时间序列进行特征提取,再将得到的特征序列输入到SVR算法中进行预测,同时对所提预测模型中SVR的参数寻优方法进行了改进,提高了预测速度。本文主要对终端接收的网络信号强度序列进行预测,通过对比预测结果与实际序列可以发现,所提预测模型的预测结果准确性高。此外,通过对SVR算法进行改进,所提预测模型耗时较短,节省了运行时间;通过优化所提预测模型的数据输入维度,可以使预测效果最优,预测准确度高达93.64%,进而更加精确、快速地预测各网络性能指标的时间序列。