当前无线通信基站建设规模不断扩大,无线通信技术在不断更新换代,国内的通信设备商和运营商致力于海内外无线通信网络的建设。4G无线通信网络面临着网络结构复杂化、业务多样化、用户需求迅速增长等问题。对于无线网络需求增速快的地区,需要尽快扩容保障服务质量。其中流量的使用情况和各基站的负载能够最直接切实反映用户对无线网络的需求。设备商通常会通过预测基站未来一段时间的流量大小来决定是否要扩容。而对于一些新增的基站,历史运行时间较短,因此如何使用较短的流量时间序列来预测未来较长一段时间的流量成为通信运营商迫切需要解决的问题。本文研究了基于机器学习的基站小区流量预测方法。本文的流量预测方法基于某通讯公司提供的一批基站数据,使用最多六个月的历史流量数据来预测基站未来一个月的流量。这是一个长期流量预测问题。本文研究流量预测的三种模型:季节性差分自回归滑动平均模型,BP-Adaboost模型,宽度-深度神经网络模型。季节性差分自回归滑动平均模型是一种基于统计假设检验的时间序列预测模型,本文针对该模型阶数的确定提出一种基于网格搜索的预测误差最小化定阶方法,在网络流量的长期预测问题上得到验证。BP-Adaboost模型以BP神经网络为弱预测器,结合Adaboost组合成强预测器以实现众中择优,相比传统的ARIMA模型和BP神经网络预测方法提高了预测准确率。宽度-深度神经网络模型将人工选择的特征和通过深度神经网络自动学到的时间序列特征相结合,预测准确率优于传统的神经网络预测方法。基于以上方法,设计与实现了基站流量预测平台。该平台提供给基站的运营人员使用,包含数据可视化分析、离线模型训练、在线流量预测、数据管理等功能。