随着无线通信网络中的业务量和用户量的增长,新的需求场景的出现对无线通信网络在速率时延等方面提出了更高的要求,超密集网络(Ultra Dense Network,UDN)应运而生。UDN是第五代移动通信(5th-Generation,5G)的主要技术之一,通过密集部署基站,实现网络性能的提升。然而设备密集部署也导致了网络中的同频干扰更具有复杂性,这为传统的干扰建模方案带来极大的挑战。5G云接入网(Cloud-Radio Access Network,C-RAN)架构的引入,为干扰建模带来了新的解决思路,C-RAN提供了集中式的信号处理能力,使网络中的资源集中化,这为通过数据挖掘干扰关系提供了可能。本文利用网络运行过程中自然产生的数据,提出两种基于智能算法的上行信干噪比(Signal to Interference plus Noise Ratio,SINR)预测方案,通过预测目标用户在任意干扰情况下的上行SINR获得网络中精确的干扰关系,为干扰协调提供坚实的基础。首先,本文设计了基于后向传播(Back Propagation,BP)神经网络的SINR预测办法。通过分析网络中的信道衰落模型和干扰模型,得到SINR的数学模型,由此确定数据集的特征为目标用户(待预测用户)的潜在干扰用户与目标用户是否复用资源,数据集的标签为目标用户的上行SINR。由于受到信道衰落的影响,使数据集中的SINR与反映真实干扰强度的SINR之间存在误差。BP神经网络能够分层提取数据特征,拟合任意线性非线性关系,所以本文提出基于BP神经网络的SINR预测算法,从含有误差的数据中学习SINR数学模型。利用Python对算法进行仿真,结果验证训练集条数为8000条时算法就可以达到0.6dB的均方根误差,保证了算法在实际应用中的实时性。当数据条数增加到32000时,预测误差的绝对值可以达到约100%1dB以内,预测精度非常高。针对基于神经网络的SINR预测算法确定最佳参数配置的代价较高以及对目标问题解释性不足的缺陷,将SINR的数学模型进一步推导,引入对变形后的SINR数学模型具有解释性的最小二乘回归算法,提出基于最小二乘回归的SINR预测算法,基于改进的算法在理论上具有更低的预测误差以及更短的模型训练时间。利用Python对改进算法进行仿真。仿真结果表明,在数据量为32000条时,基于非线性最小二乘回归的SINR预测算法较基于神经网络的预测算法预测误差降低29%,同时训练模型所消耗的时间减少36%,在实时性要求更高的5G场景中更具有实用性。