随着通信技术从4G到5G的演进,移动网络场景多元化,用户流量激增,用户移动性加剧。然而传统的移动网络资源调度方式是针对峰值负载的过度分配且主要针对业务到来后进行调度,导致网络资源利用率低效和网络规划的滞后。因此,当前移动网络迫切需要流量感知技术和对资源的预先分配调整来实现资源的动态优化。机器学习作为人工智能的重要研究领域,提供了多种预测感知算法模型。因此,如何实现机器学习算法与移动网络资源优化的有效融合是网络运营商在新的网络场景下需要直面的问题。本文提出了基于机器学习的移动前传网络资源优化策略,利用机器学习算法搭建流量预测网络模型,基于预测结果进行前传带宽动态分配,并最终在硬件平台完成优化实验。主要研究工作和创新点如下:(1)搭建基于LSTM神经网络的流量预测网络模型,并基于流量预测结果提出移动前传网络带宽动态分配策略。本文充分分析基站流量数据特征,并基于统计模型的ARIMA算法以及机器学习中的SVM算法和LSTM算法分别搭建三种预测模型,通过输入真实历史流量数据训练输出未来时刻流量,对比选取较优预测模型,仿真输出结果表明LSTM网络预测模型在多个小区场景中都展现出较好的拟合效果。基于流量预测结果,本文提出了移动前传网络带宽动态分配策略,通过流量预测实现预先的带宽动态调整。(2)设计开发并实现了机器学习辅助的边缘融合可切片实验平台,最终基于该硬件平台完成移动前传网络资源动态优化实验。本文综合考虑人工智能技术在SDN控制平台的巨大可用前景,提出将基于TensorFlow插件的人工智能模块嵌入到硬件平台中提供智能决策,并完成相应的设计开发工作。基于以上硬件实验平台的设计开发工作,本文完成了基于机器学习的移动前传网络资源优化的平台化实验,实现了智能流量预测算法和前传带宽动态分配算法在硬件平台的有效嵌入。