移动通信网络技术飞速发展,网络规模不断扩大,网络也越来越复杂,导致移动通信网络越来越难以管理。网络一旦出现故障,就会引发一系列的设备产生众多告警,严重时会导致服务中断,给运营商带来重大损失。因此,准确地预测告警,并提前采取措施减少网络故障的发生尤为重要。传统的网络故障诊断主要依靠网络管理人员的经验,这种方式主观性强、效率低。随着数据挖掘技术的飞速发展,基于数据挖掘技术的网络告警预测逐渐成为研究热点,并具备重要的实用价值。论文针对移动通信网络告警问题进行研究,所做的研究工作和创新点主要包括:(1)针对网络告警预测问题,提出一种衡量其效果的评价指标,称为价值函数v;(2)考虑告警数据的时间相关性,提出基于长短期记忆(Long Short-Term Memory,LSTM)的多分类网络告警预测(LM-NAP)算法,将其与简单神经网络、Random Forest和Adaboost算法进行对比。结果表明,LM-NAP算法在v值和准确率方面有较好的性能;(3)提出一种网络告警关联分析方法(CSWA),包含基站聚类、告警事务提取、告警重要性量化分析以及加权告警关联分析;(4)为了改善LM-NAP算法的性能,提出一种基于LSTM和关联规则的二分类网络告警预测(LAB-NAP)算法,与基于LSTM的二分类网络告警预测(LB-NAP)算法和LM-NAP算法进行对比。结果表明,LAB-NAP算法在数据量大、告警类型多的实际网络场景下具有较好的性能。论文工作为运营商网络故障管理提供了理论支撑,也为数据挖掘在网络告警分析中的实际应用提供了参考思路。