蜂窝网日益面临着高效承载快速增长业务量的现实需求,这就要求蜂窝网在资源和能耗的双重约束下,优化网络资源的同时尽可能地降低能耗,打造绿色通信与网络。事实上,由于基站能耗并不仅仅同覆盖区域内的流量负载有关,当前蜂窝网在流量负载较低时,基站内空调等辅助设备仍然会带来很大的能量开销。本学位论文定位于实现绿色蜂窝网的一种途径——基于流量感知的智能化基站管理,即通过动态调整基站的工作状态,使之同流量的负载需要相适应,从而减少低负载的基站及其不必要的辅助设备能量开销；特别地,本学位论文设想并构建了软件定义蜂窝网的框架,并在此基础上针对流量特性分析、流量预测算法和智能化基站管理的策略做了深入的研究,概括为：基于流量“大数据”,分析了蜂窝网流量特性：利用熵理论分析了语音、短信、数据流量的可预测性,并证实了利用时间、空间和语音-短信之间信息进行流量预测的可能；研究了移动互联网的即时消息业务规律,得出了其重尾的分布特点；研究了利用a-稳定模型描述移动互联网即时消息、网页浏览、视频等常见业务的准确性；探讨了蜂窝网流量稀疏性特点。结合上述蜂窝网流量特性,研究了具体的流量预测算法：提出了空、时压缩感知算法,并验证了其在语音、短信业务流量预测上更优异的性能；针对数据业务流量,揭示了仅仅使用α-稳定模型进行线性预测会产生可近似为高斯分布的预测误差；提出了基于a-稳定模型和字典学习的交替方向法,算法充分利用本文得出的已知流量特性,在一系列的仿真分析中表现了更为鲁棒的预测准确性。设计并提出了两种智能化基站管理算法。针对流量通过预测等手段成为已知的场景,提出了格状基站动态管理算法,算法根据预测的流量负载,仅保留恰当数量基站工作,而使其他基站进入休眠状态,并通过基于实际流量数据的仿真分析验证了能效提升的可能性；针对不预测流量即流量信息未知的场景,首先把流量波动下基站资源管理建模成了马尔科夫决策过程,并以此为前提,提出了基于强化学习的节能算法；为了加快强化学习的学习过程,充分考虑流量分析得出的时空相关性,设计了转移Actor-critic算法,在理论上完成了算法收敛性的证明,在仿真分析上证明了算法具有更好的初始性能,在可容忍的延迟性能损失下带来了显著的能量节省。