提升用户感知是无线通信网络“规建维优”的核心,网络覆盖水平与拥塞情况是影响用户感知的关键。因此,对网络覆盖的有效评估与网络业务量及利用率水平的合理预测,是无线网络优化领域长期以来的研究重点。基于测量报告（Measurement Report,MR）大数据分析的评估方式较传统路测方式更为高效准确;基于话务数据的深度学习模型较传统线性模型更为精准灵活。因此MR及话务大数据分析对LTE无线网络的规划建设、高效优化、成本节约等方面起着重要作用。研究内容与主要工作如下:1.基于MR数据的移动用户定位算法研究。MR数据中含主服小区与临区的信号强度、信号质量等信息,因此其可为无线网络分析与优化提供海量基础数据,但大量MR数据中用户定位信息的缺失是有效利用这些数据的主要障碍;另一方面,随着网络技术的不断发展与新业务范式的快速更迭,运营商及各行各业对移动用户定位服务的需求也越来越丰富,因此基于MR数据的高精度移动用户定位信息预测至关重要。基于此,本文首先介绍传统定位算法及其优缺点,并针对定位精度低的问题,提出Ada Boost+KNN加权平均算法并从多个角度分析其性能优越性。该算法使定位精度从以往的百米级别提升至平均误差45.1米、中位误差17米。将该算法应用至中国联通某省会业务区的RNExp无线网络专家系统,对定位结果进行分析并实地考察验证有效性,进而用于实际的网络优化分析并取得成效。2.基于MR数据的弱覆盖区域聚类。在网优工程师对多个弱覆盖区域进行优化时,需对其手动聚类,根据聚类结果进行待优化区域优先级排序,首要优化弱覆盖点密集区域。本文使用DBSCAN算法对弱覆盖区域进行聚类,根据弱覆盖区域聚类特性对CH（Calinski Harabasz）指标进行改进,提出CH-n指标,并实现优先级排序的自动化。经验证此聚类技术可提高网优效率。3.基于话务数据与深度学习模型的LTE业务预测算法。在无线网络的规建维优中,业务预测极其关键。有效的业务预测可对无线网络的规划建设起到积极的指导作用。线性回归方法被广泛地应用于业务预测,但其预测精度较低,参考意义有限。本文将下行PRB平均利用率与空口总业务量作为业务指标,提出基于LSTM模型、Seq2Seq模型的LTE业务预测算法。根据业务预测特性提出启发式MAPE,并将其作为度量算法性能的指标。使用这两种算法分别在上述两个业务指标上进行多时间尺度（72小时、168小时、336小时）的预测,分析预测结果,并明确算法的后续改进方向与目标。本文所提LTE业务预测算法可对业务趋势有较为准确的预测。本文针对上述三个无线网优中的难题,采用机器学习算法对其进行分析、建模与预测,进而高效地优化无线网络与提高用户感知。