随着移动网络用户量和性能需求的不断上升,移动网络质量评估作为衡量移动网络性能高低的参照依据,逐渐受到各大运营商的重视。目前,主流的移动网络质量评估方法通过建立关键性能指标集合,从多个维度对移动网络质量进行考察。然而,主流方法高度依赖专家意见,且无法给出全维度下的综合评估结果,在应用场景的转换上也欠缺灵活度。因此,建立特定场景下更为智能、全面、灵活的移动网络质量评估体系势在必行。基于以上背景,本论文利用机器学习的相关方法,建立移动网络质量评估模型,并在国内某运营商提供的移动网络质量指标数据集上进行训练和验证。实验流程主要分为数据挖掘、建模和效果验证三个部分。其中,数据挖掘部分包括探究各性能指标变化规律和其两两间的相关性两部分;建模部分的核心是基于多特征时间序列聚类和自编码器的聚类算法,主要分为以下三个步骤:第一步,基于FastDTW方法计算时间序列数据两两间的相似度,构建多维相似度矩阵。第二步,采用自编码器对该相似度矩阵进行降维,获得融合多维相似度矩阵。第三步,基于K-medoids算法对该相似度矩阵中对应的数据进行聚类;效果验证部分就高校这一具体场景,通过在真实数据上建立移动网络质量评估模型,对本文所提评估方法的有效性进行了验证。本论文首先介绍了选题背景和意义,总结和分析目前国内外对于移动网络质量评估方法的研究,并在此基础上提出了详细的研究内容及目标。之后,对本文使用到的背景技术进行介绍,包括移动网络质量评估、FastDTW算法、自编码器、K-medoids算法等。然后本文结合全场景数据分析了不同机器学习算法在移动网络质量评估中的可行性,基于此分析选取合适的算法并设计一套实验流程,之后通过与KPI评估体系对比完成了有效性验证。最后,本文使用此评估方法建立了面向高校场景的移动网络质量评估模型,并根据实验结果详细地分析了该场景下移动网络质量的分布和变化特点。