随着通信容量、速度、稳定性要求的不断提升,空间、城市无线通信理论与应用作为无线电物理学科的主要研究方向之一,在低时延海量物联网、智慧城市等领域得到广泛的关注。基于多地理与业务场景下的网络性能异常检测为无线电波在复杂场景的传播特性、信道特性及其自适应选频技术研究提供了技术保障。爆发式增长的终端接入总数以及数据业务流量发展对电信网络性能优化提出了严峻的挑战。无线局部弱覆盖、系统容量负荷不均、大型集团业务的井喷式发展带来的支撑优化能力不足问题成为目前运营商面临的主要问题。同时,快速发展的LTE连接技术产生了海量的网络数据,比如是浏览类、视频类、下载类、即时通信类等多类数据业务数据。同时,结合各类物理场景的复杂性,比如居民区、高铁、重点大型集团、商圈等,使得每类物理场景在用户行为的影响下其业务特性的表现也纷繁多样,从而给电信网络性能异常检测带来了很大的挑战与难度。目前,现有的通过对网络性能指标进行学习建模的机器学习技术无法较好地适用于高度多样性的城市物理场景和用户访问行为相互影响作用的复杂性网络。对于基于复杂物理与业务场景的网络性能异常检测具有重要的理论价值和应用前景。论文利用解析方法与机器学习方法研究了基于复杂物理与业务场景的网络性能异常检测模型,并在集团语音异常检测、数据上网业务异常检测、物联网业务健康异常检测研究场景下展开了深入研究,取得的主要成果如下:1、针对集团语音专线业务健康度提升这一难点问题展开了网络健康度的模型研究。利用机器学习技术,以电信运营商的话单数据、CRM数据、网络信令交互数据为数据样本,提出了语音业务质量预警、客户价值评估分析、竞争环境分析等模型,研究了各类交互数据对网络性能与业务趋势的影响,用以提升语音网络故障,网络资源瓶颈等网络风险预测的精准性。2、深入研究与移动数据业务使用感知相关的各项影响特征指标,并提出了一种通信网络“泛时延”的概念,建立了网络性能指标与“泛时延”的关联方程。在“泛时延”理论基础之上,提出了一种新的无线性能分析算法去评估LTE网络的可访问性能。该算法是建立可访问性能与网络特征指标的关系模型,目的是用于探测目标网络可访问性的恶化时刻。整个系统是由数据驱动,使用大量的流量测量值数据。算法关注并认识到网络中的小区各自具有的特征与行为不尽相同,利用集成聚类的模型算法做数据中间处理,生成各类小区簇。在此基础之上,通过采用多类回归算法对不同集群组的小区簇进行目标值预测来推导得出最佳回归预测算法。3、本文提出了一种基于各类数据业务特征与多维物理场景特征的网络小区场景聚类算法。并基于聚类出的各场景下的核心网络指标特征,进行分场景的网络性能异常检测研究,从而建立了一套能够适应多业务和物理场景特性的无线网络性能异常检测的新算法,解决了现有技术在多场景融合的网络结构下性能预测精准性低的问题。同时,本文考虑到网络性能与时间特征的强关联性,在基于多场景的网络性能异常检测模型之中引入时间特征值,构建了加入时间特征的改进型GMM算法的性能异常检测模型,优化提升了在与时间特征相关的网络状态上下文中的异常检测的准确性。4、利用集成式回归学习算法对电信网络的用户业务使用感知及投诉模型进行学习。具体研究分析了用电信网络的海量核心指标数据与用户投诉的关联映射关系,提出了电信网络用户投诉预测模型,用以综合评估与预测潜在投诉用户。同时,对算法模型提出了进一步的优化研究,从降低指标数量、降低数据维度、扩大数据集样本,优化判断阈值选取等几个方面进行了算法性能的优化提升研究,取得了较好的提升效果。5、针对物联网网络与终端模组的多样化而带来的网络适配异常问题这一现状,利用集成式机器学习的适用性强,误差低的特点,本文提出了基于集成式回归算法的网络核心指标与物联网健康度指标的映射模型,可适用于物联网网络异常问题自动预警与定界,物联网风险预警等应用场景。利用该评估模型可使得电信运营商及时掌握物联网卡的业务异动趋势,实时监测评估已物联网卡号信息安全风险,针对高风险点及时进行有效干预。