随着现代移动网络的日益发展,移动网络用户量增长迅猛,同时也带来了数据规模的爆炸式增加,如何在大数据的环境下进行移动网络性能评估成为了一个重要课题。目前,主流的移动网络性能评估方法是依靠统计学知识,通过专家经验对指标数据、路测数据、拨号测试数据或测量报告数据等进行网络性能评估。然而,在数据规模日益扩大的情况下,传统的网络性能评估方法越来越难以应对海量数据带来的挑战。因此,要建立依靠多维度、更智能、适应海量数据的移动网络性能评估方案。基于以上背景,本论文利用机器学习相关原理,以及机器学习技术和大数据技术,设计了一种基于机器学习的移动网络性能预测方法。该方法基于Spark分布式计算系统,应用机器学习方法对移动数据进行特征整合、数据预处理,最终应用LightGBM模型进行训练和结果预测,实现了机器学习模型的覆盖类、干扰类指标拟合实验;并设计和实现了前后端分离的前端网页系统和后端服务器,前端使用Vue框架、Webpack框架和ElementUI框架等技术完成网页开发;后端服务器使用Node.js框架和Express框架搭建,使用MySQL作为系统的数据库。本论文首先介绍了选题背景和意义,总结和分析了目前业界对移动网络性能评估问题的研究进展,并在此基础上提出了本课题的研究内容和目标。之后,介绍本文使用到的关键技术,包括移动网络性能评估、机器学习算法、分布式框架、Spark计算引擎等。然后介绍了系统的需求分析,对系统的概要设计进行了介绍,划分了系统的功能模块。完成了系统的详细设计和模块开发,最后对功能模块进行了系统测试,验证了系统的可靠性和易用性。