山东商业职业技术学院信息与艺术学院 山东济南 250103
摘要：在移动通信网络应用的过程中，通过对海量数据信息的分析、归纳、总结，渐渐形成一种新型的技术方式，即大数据分析。大数据在原有的海量数据信息中获得演变，强调通过高效率的分析、处理功能，对规模庞大的数据信息进行处置。但是，到目前为止，大数据还没有统一的定义。将大数据在移动通信网络中进行优化应用，有利于发挥出大数据类型丰富、对数据信息处理速度快的优势，提升移动通信网络应用的质量和水平，实现良好的应用效益和价值。鉴于此，本文主要分析探讨了大数据在移动通信网络优化中的应用情况，以供参阅。
关键词：大数据；移动通信网络；应用
引言
自21世纪以来，计算机技术在人们生活中的运用越来越广泛，同时，大数据的到来之后，促进了计算机网络的发展和，信息化技术发展结合在一起，移动通信网络发展的规模也越来越大。就我国当前移动通信网络市场的发展十分广阔，发展前景也是一个不可估量的存在。当然，大数据在移动通信网络中的应用其自身也存在着自己的优势，不仅有利于促进我国移动通信网络市场的拓展，而且也是中国现代科学技术发展的具体性表现。
1大数据存储应用
对于发展网络性能大数据存储应用这一策略来说，这一策略主要是为了保证大数据技术能够做好移动通信网络各种数据的采集，而这一采集就将为移动通信网络优化提供有力支持。对于移动通信网络来说，信道的可用率、话务量、卡话率、信道的可用率等都属于大数据技术需要收集的数据，而也正是因为这一系列大量的数据使得大数据分析难以较好服务于移动通信网络优化，为此笔者建议开展大数据进行虚拟化处理技术的改进，这样就能够保证虚拟化存储下一些隐藏细节的扩展与压缩实现，这自然就使得移动通信网络优化能够在改进后的大数据分析下较好展开。
2大数据处理技术应用
在网络市场纷繁复杂的时代，如何实现有效布局以及在MICA架构的平台上快速实现技术提升，关系到大数据能否有效应用于网络优化的关键环节。网络性能的提升有待技术理念灵活性与开放性的提升，从而借助大数据处理技术适应云计算的分布式架构。由于不同数据源的传输是非同步的，在处理的过程中可以设计专门针对文件传输或者使用面向消息的中间件（MoM）进行数据处理技术更新，充分借助于传输异步这个特点，较大提升处理的吞吐量，从而提升处理能力。大数据的应用能够使不同的数据源系统进行传输耦合处理，从而便于大数据基础架构设计进行动态扩展和收缩，尤其是峰值数据的处理是最为重要的，这能够加快处理技术，确保数据处理安全。移动网络数据技术的发展是成螺旋式上升、循环往复的，虽然计划优化工作暂时还没有成为制约瓶颈，但是与整体规划是相互制约的。
3关联规则下的网络投诉数据分析
在各地移动运营商中都会建立网络投诉业务这一重点考核指标，用于用户对使用移动业务过程中发现的问题进行投诉。
移动通信运营商也会安排专门的回访人员处理每单投诉，对投诉问题进行现场测试和网络调整，然而面对众多的投诉工作需要众多的网络优化人员来处理，由此，需要采取一个有效的统计分析和定位问题的措施，以便对投诉内容、用户位置做好关联分析，将某些投诉归类处理，能节省大量的优化工作。
4阶段性管理
在移动通信网络的优化发展过程中，应该要进行分阶段性的管理，即准备阶段、测试阶段、分析阶段和调整阶段。准备阶段就是要对移动通信网络的优化目标有一个明确的认知，根据目标需要准备优化过程中需要的工具和材料；测试阶段就是要将相关的数据进行采集、比对之后，将其投入到移动通信网络中，进行DT的测试；分析阶段就是要将移动通信网络相关的信号覆盖、信息切换等方面的问题进行优化和完善；调整阶段就是要对后台运行的参数、天线的射频进行一定的调整，保证通信的质量和通畅。
5质量分析模块
移动通信数据采集完毕之后，如果这些数据不加以整合和处理，就无法使用。因此，移动通信质量分析模块可以针对数据进行归一化处理，使用无量纲的矩阵进行描述，比如矩阵的行可以表示通信时段，矩阵的列可以描述通信信号强弱、边界信息、通话数量等属性，然后使用先进的大数据分析技术处理这些数据。本文提出采用深度学习技术是实现移动通信质量分析。深度学习是一种多层次的BP神经网络，作为一种最为先进的大数据分析处理技术，深度学习来源于人工神经网络，其包含多个隐藏层的感知器就属于一个深度学习结构，其可以有效地组合底层特征，形成一个更加抽象的高层表示属性类别或特征，发现数据分布式特征，使用多种方式描述深度学习的观测值，比如可以是特征向量、轮廓区域等，更容易从海量数据中进行实例学习，生成一个准确的网络结构，提高机器学习的准确度。具体的深度学习可以构建一个移动通信质量分析模型，该模型可以训练神经元的权重参数，按照最大概率获取移动通信网络优化模型，深度学习训练优化模型的过程是一层一层的，每一层都可以将数据向量推断为隐藏层，然后再把这一个隐藏层当做下一层的数据向量。深度学习训练优化模型的学习过程包括两个非常关键的阶段，分别是预训练和微调。预训练是采用逐层方式来实施的，其可以针对每一层数据进行单独的训练，而且各层之间的权重和偏差可以保存起来做进一步的分析；微调阶段深度学习训练优化模型的权重和偏差使通过使用标记输入数据从而进行一个反向传播算法来进行更新；利用深度学习可以精准地构建一个移动通信网络优化模型。
结束语
总而言之，移动通信网络承载的数以亿计的用户和千万种应用软件，因此保证网络通信质量为用户提供更好的服务是非常重要的，也是运营商追求的服务指标。但是，由于移动通信信号覆盖环境复杂，通信信号时强时弱，不利于提高人们的通信质量，本文基于深度学习等构建一个大数据分析模式，可以挖掘、预测和分析信号质量，为移动通信网络优化提供指导，具有重要的作用和意义。
参考文献
[1]罗由.大数据在移动通信网络优化中的应用[J].科学技术创新.2018(01).
[2]杨傲.大数据在移动通信网络优化中的应用[J].信息通信.2018(07).
[3]李雪莲.大数据在移动通信网络优化中的应用研究[J].消费导刊.2017(27).