随着无线技术的发展和移动用户的增加,运营商的重点已经从无线网络建设转为网络的运营和维护。运营商渴望了解移动网络的实时性能和用户的实时体验。被广泛采用的大数据分析和机器学习算法可以作为一种解决方案。然而,在智能化网络管理中,尤其是对于移动网络的数据分析存在一些挑战,如预测的准确性,对用户体验获取以及对网络故障处理的及时性。目前,5G商业化的逐步展开。5G要求高频谱效率,大容量,低时延。其中,用户体验速率,连接密度和时延为5G网络的三个基本性能指标。5G网络大幅提高了网络部署和运营的效率。与此同时,面对多样化的场景和极端差异化的性能需求,面向5G的网络管理很难像以往一样以人工或者单一解决方案为基础去应对所有问题。随着大数据,机器学习等方法的兴起与成熟,这些方法逐渐被用于无线网络管理。在4G网络中,智能网络管理的概念就已经得到了广泛的关注与认可。对于场景更加复杂,性能需求更高的5G,网络管理需要考虑网络性能,用户体验以及网络能耗的平衡。智能化的网络管理已是必不可少。其中,数据驱动的无线网络性能分析显得尤为重要。本文以数据驱动为主线,数据由运营商在基站端采集,在第二、三、四章,分别采取了不同的数据处理和建模的方法对数据进行分析,从数据中找到对于无线网络业务量起决定性因素的信息,以此为基础展开数据分析和预测。第五、六章同样是通过数据挖掘的方法找到无线数据之间的联系。相比传统方法,数据驱动的方法可以更加深入的对数据进行分析,挖掘数据中的深层信息。无线网络性能可以通过多种（Key Performance Indicator,KPI）及关键质量指标（Key Quality Indicator,KQI）参数的统计量化得到,本文中首先将下行流量作为KPI指标的一种进行了数据预测方面的研究;对于KQI数据,往往是根据KPI数据推断得出,所以在研究内容的后两部分,对KPI与KQI之间的关联进行了深入的研究。针对数据驱动的网络性能分析,本文从业务量数据时间-空间建模,网络性能预测,用户体验估计以及网络故障诊断这几方面展开了研究。结合统计理论,因果校验,图论以及机器学习等方法提出了针对这几方面的多个解决方案。本文的创新性工作和主要贡献如下:1.基于格兰杰因果校验研究了城市无线网络中栅格级区域业务量之间的关联,并以此为基础将时空业务量模型与多变量长短期记忆神经网络（Long Short Term Memory,LSTM）相结合对城市无线网络的业务量数据进行预测。最后,将预测算法应用于城市不同场景的真实数据,验证了算法的预测准确度和普遍适应性。2.研究基于人群流动模型的双向业务量因果校验方法,以此为基础结合图卷积网络（Graph Convolutional Network,GCN）、门控循环单元（Gated Recurrent Unit,GRU）和转移熵理论对无线业务量的预测问题提出了更进一步的解决方案。最终的验证结果表明,该方法显著提高了蜂窝业务量预测的准确性。3.在时间序列分解-集成的框架内,对无线网络的业务量数据进行了深度的数据挖掘,提出了一种从复杂业务量时间序列中提取趋势分量、周期分量和基本分量的方法。以此为基础,结合GCN,提出了一种基于因果结构学习的分解集成时间-空间数据预测算法（Spatial Temporal time series prediction based on Decomposition and Integration system with Causal structure learning,DIC-ST）。该方法在保证业务量预测准确性的同时,可以在网络优化、基站选址和能耗等问题上发挥重要作用。4.本文提出了针对关键性能指标KPI和关键质量指标KQI数据的因果结构学习,并将这种多个KPI与KQI之间的关联嵌入到预测模型中,设计了针对用户体验的预测方法。5.基于核密度估计理论和朴素贝叶斯分类器研究了将用户体验估计与网络故障诊断相结合的方法,并给出了小区级无线感知能力评估的标准。结果表明,该方法能够准确估计用户体验,及时诊断异常值。这种方法可以提高网络管理的效率。从无线网络性能的预测到用户体验的估计,再到网络故障的诊断。本文完成了对于网络性能的数据分析中三个主要步骤的研究。对于无线网络业务量预测的问题,我们分别从栅格级业务量分析,基站级业务量分析,基于人群流动模型的业务量变化的分析以及时序分解集成等多个角度对无线业务量的预测进行了研究。针对无线网络中的用户体验研究,提出了适用于用户体验数据KQI的预测方法。针对网络故障诊断研究,本文提出了将用户体验与故障诊断相结合的方法,旨在提高故障诊断的及时性。这些方法可以用于智能网络管理。面对日趋复杂的网络环境和逐渐多样化的应用场景,本文对关键问题进行了梳理并给出了技术解决方案。