移动网络流量的预测研究在公共网络规划和建设中占有重要的地位,流量数据的预测建模和研究是公共移动通信基站的管理、性能的监控、以及提高服务质量和有关协议创建的基础。通过准确的预测蜂窝网络基站的流量数据可以提高移动通信基站的性能和资源利用率。移动网络流量数据具有随机性、非线性、地区分布不均衡和长时间内表现出周期性等明显特征。传统的预测建模方法主要是对流量数据的时间特征进行建模研究,针对流量数据的空间相关性特征很少有人学者对其进行研究建模。随着机器学习算法的发展,不少学者提出使用机器学习、深度学习等现代技术对移动网络流量进行建模预测,例如以循环神经网络为代表的长短期记忆神经网络、带有门控循环单元的神经网络等对具有时序特征的流量数据研究取得了一定成功,但是循环神经网络依然没有对流量的空间特征进行提取。本文在此背景下进行展开研究,以提供准确的移动网络流量预测为研究目标,根据移动网络流量特征,对移动通信基站产生的流量数据进行预测建模。文中主要是针对在城市范围内的蜂窝网络架构中,移动通信基站所产生的流量进行短时预测研究。本文首先对基于无线通信基站级别的网络流量数据进行了特征分析,探明了无线网络流量数据具有时序特征和空间维度的空间相关性特征。网络流量数据的特征分析对模型的预测精确度是至关重要的。其次为了解决传统的预测方法和循环神经网络不能很好的提取流量数据的空间相关性特征的问题,本文提出了一种全新的神经网络架构二维时间卷积网络(Two-dimensional Temporal convolutional network,2DTCN),时间卷积网络(Temporal convolutional network,TCN)对于具有因果关系和时序特征的数据集具有很好的预测效果,在此基础上,本次研究把一般的一维时间卷积网络扩展到了二维,使得其不但具有对数据集时间特征的提取能力还具有了对数据集空间相关性特征的提取能力。通过实验测试,结果表明,基于2DTCN神经网络的算法具有良好的预测效果。除此之外文中还探索了使用基于三维卷积神经网络(3D Convolutional Neural Network,3DCNN)对无线网络流量进行预测建模,3DCNN神经网络通过扩展卷积核的维度,使其具有捕捉时间序列方向上的特征信息。因此可以将3DCNN神经网络用于无线网络流量的预测研究。在本文中通过实际的实验分析,结果表明基于3DCNN的无线网络流量预测模型,能够在一定程度上对无线网络流量进行预测。最后为了能够更好的提取和使用无线网络流量数据的时序特征和空间相关性特征,文中提出了一种使用二维时间卷积与三维卷积网络相结合的模型,经过实验证明了使用该模型具有更加精确的预测结果。