移动通信作为国民生活的重要工具之一,需要时刻确保网络稳定与安全,网络优化是完成这一任务的重要手段,而网络预测则是网络优化的前提条件。本文针对传统网络预测方法缺乏用户数据和基于假设网络场景的两大痼疾,提出了将大数据技术应用到时间序列形式的网络核心性能指标(KPI)预测中,同时采用支持向量机和关联规则技术对预测过程和预测结果进一步优化,使之具有更快的预测速率和更高的预测精度。第一,文章总结了通信网络预测的研究现状、意义及思路,为后续的研究奠定基础。第二,简要阐述了移动通信网及其核心性能指标等相关知识,并在此基础上介绍了时间序列的相关概念、常见预测算法优缺点及大数据在其中的应用。第三,根据通信网性能指标特点及传统方法缺陷,提出了基于大数据方法的时间序列预测算法,在时间序列传统的三个分量特征提取基础上引入突发分量概念,并根据提取结果进行异常点检测处理及预测分析。第四,为解决海量数据带来的预测速率低下问题及进一步提高预测精度,文章探讨了如何将支持向量机和关联规则应用到大数据预测算法中。首先通过支持向量机对初始数据进行忙时/非忙时区分,并对区分结果分段分析以提高预测速率,同时利用关联规则确定关联函数优化预测结果。最后,根据算法对南京地区真实网络中核心性能指标进行预测分析,实验表明,改进型的大数据预测算法相比于传统的时间序列预测算法具有更高的预测精度与预测速率。