随着移动通信网络技术的升级与系统架构的演进,为了同时满足数据流量的增长与业务场景的多样化需求,广域连续的覆盖保障与稳定的服务支撑变得愈发重要。面对飞速扩张的用户数量与业务需求,传统的网络规划与优化手段效率降低,因为没有进行精细的无线网络规划工作,而导致后续网络运行过程中出现众多问题而带来的损失是不可忽视的,因此迫切需要更加高效和智能的规划优化方法来满足用户与运营商的需求。本文结合数据挖掘技术与机器学习算法,研究了5G网络中覆盖的规划与优化问题,主要内容如下:（1）提出一种基于Q学习的自适应优先级无线网络覆盖优化算法。针对室外的宏基站覆盖场景,首先,对现网收集的数据样本,按照标准的覆盖评价规则进行弱覆盖与重叠覆盖标记,得到每个终端采样点的覆盖标签。随后通过随机森林算法进行覆盖预测建模,得到基站参数与接入终端覆盖标签的映射关系,并将此模型应用于强化学习环境,随后采用Q学习算法,改进其中智能体的动作选择策略,根据覆盖率的高低,动态调整各个小区的优化优先级,结合贪心策略,驱使Q学习智能体在每轮迭代中的动作选择中,更加倾向于调整覆盖率低的小区,以快速提高各个小区的覆盖率,从而使得整个区域的覆盖率得到提升。仿真结果表明,算法对于覆盖率的优化幅度达到25%,同时可以降低陷入局部最优的概率,与传统的Q学习相比具有较快的收敛速度。（2）提出一种基于差分进化的混合型粒子群室内无线网络覆盖规划算法。面向5G超密集组网场景,重点研究了基于覆盖规划的室内单层场景下的小基站放置问题,以简单高效的解决室内场景下的覆盖问题。首先在待规划的室内环境中采集数据,并基于实测数据使用最小二乘法校正ITU-R.P.1238无线信号传播模型校正。随后分析了室内小基站部署需要满足的覆盖与干扰,基于校正后的经验模型,采用标准粒子群与差分进化相结合的算法计算得到在目标区域中最优的小基站部署方案。仿真结果表明该方法可以有效的提高覆盖率,同时还可以降低基站间的干扰。（3）设计并实现了移动通信网络测量报告数据处理平台。首先基于Hadoop和Hive搭建了以无线网络测量报告为主题的离线数据仓库,并进行相关数据模型的设计,在分层数据仓库中实现了数据存储、数据清洗与数据计算工作,最后使用ECharts前端可视化工具对数据统计结果进行展示。该系统能够对无线网络覆盖运维提供支持,进一步提高工程师的网络运维效率。