随着移动互联网等领域的高速发展以及智能设备的普及，无线通信已成为服务人民生活、推动社会发展的重要支撑产业，无线通信5G基站作为国家“新基建”之一，关系到国计民生的方方面面。构建绿色高效的通信网络是无线通信领域的重要目标和热点研究方向，但通信业务需求的时空分布不均性为上述目标提出了巨大挑战，不能随通信需求变化进行及时调整的通信资源分配将会导致服务质量下降以及能源严重浪费。准确的无线流量预测可以直观反映通信需求的变化趋势，为通信资源预分配和再调整提供重要参考，辅助实现合理高效的资源部署。由于通信需求易受影响且具有较高随机性，目前流量预测工作存在相关信息利用不足、应用场景受限、未针对节假日时期流量预测进行深入研究等短板。为解决上述问题，本文与中国移动公司合作，基于多种机器学习算法使用真实无线流量数据开展基站扇区无线流量预测研究。
　　基站扇区是通信资源调整的最小单元，准确预测其无线流量有助于实现灵活精准的资源调整。基站扇区平时流量易受多种因素的影响，变化频繁但一般不会超出其自身调节范围，提前一天对其进行预测即可辅助完成资源调整。节假日期间存在大量人口流动和明显的用户行为变化，无线流量会呈现与平时不同甚至相反的趋势。此外，节假日时期部分基站扇区流量变化剧烈，需要对其物理扩容以保证服务质量，有必要留出充足的操作时间，通过分析，需提前三天预测节假日时期的无线流量。基于上述原因，本文对平时和节假日时期流量预测提出不同算法分别构建模型进行流量预测。
　　针对平时流量预测，基于对A市真实流量数据的分析，发现基站扇区平时无线流量与天气、节假日信息具有明显的相关性。为综合使用相关信息进行准确的无线流量预测，本文提出一种基于机器学习算法的多元信息融合预测模型LSTM-HW。模型通过网络爬虫等技术获取天气及节假日信息并对其进行量化，使用移位法构建由流量、天气、节假日组成的多元信息作为模型输入进行平时无线流量预测。针对模型更新问题，本文提出一种基于预测性能以及扇区兴趣点信息的模型更新策略。
　　针对节假日无线流量预测，为解决由于缺乏充足节假日时期流量数据导致的模型过拟合问题，本文提出一种基于机器学习算法的相关性聚类混合算法模型CCHA。模型使用相关性聚类方法，基于无线流量与节假日的相关性将基站扇区划分为不同流量模式，然后使用各流量模式所包含的所有扇区的流量数据训练一个公共模型用于该模式下所有基站扇区的节假日流量预测任务。CCHA模型融合多种机器学习算法构建混合算法来同时挖掘流量模式的宏观共性规律以及扇区微观专属特征。
　　经过实验结果分析与对照实验验证，本文所提LSTM-HW模型可以有效利用天气和节假日信息提升扇区平时无线流量预测性能;所提CCHA模型可以有效缓解模型过拟合问题，提升扇区节假日流量预测性能，同时可大幅减少预测所需模型数量，降低预测成本。本文所提模型及流量预测结果得到中国移动A市分公司认可，认为模型预测结果对通信网络资源部署具有重要的参考价值。