为了满足用户的需求,现在的移动网络部署都是基于该地区用户的最大需求量而设计的。而在一天中小区内对移动资源的需求是随时间波动的,当用户需求较低时,往往会造成较大的资源浪费。在未来的网络中,随着移动设备的增加,如果基站每时每刻都为小区按照最大需求量提供所有资源,则这一浪费现象将会更加明显。大数据和机器学习已经应用到了生活中的方方面面。本文认为,将机器学习算法应用于移动用户行为数据的研究当中,利用从用户的行为数据挖掘出的信息会对移动通信网络资源的分配优化有着非常宝贵的价值。本文的主要贡献包括以下几个方面:(1)将机器学习算法应用于通信领域的数据研究:本文获取真实的小区中用户数随时间变化的数据,通过调参后的随机森林、支持向量机和本文构建的长短期记忆网络这三种机器学习算法,对小区下一时刻的用户数量进行时间序列预测,并且通过比较预测结果证明了所构建算法的优越性。(2)将用户行为的分析结果应用于实际的单小区通信场景的资源分配中,从而优化能效:在单小区的大规模MIMO(Multiple-Input Multiple-Output)场景下,根据上一步用户量的预测结果,动态地调整下一时刻基站所开启的天线数,从而达到最大的能量效率。(3)自组织网络多小区协同优化:利用移动边缘计算服务器来收集该小区内的用户信息数据、实现预测算法,并将信息上传到核心网。在多小区场景下,本文提出了一种多小区的自组织网络自我优化的方案,根据各小区内所预测的未来负载情况,多小区进行协调优化开启的天线数目。通过本文对小区内天线开启数目的动态优化方案,相较于所有天线时刻全开的情况下可以提升能效约120%并且节省约60%的能量消耗。由于本文中采用了真实的数据集,对于运营商在优化小区内无线资源配置上有一定的参考意义。