传统的蜂窝网络已经从第一代模拟通信发展到目前的第四代数字通信,其中不断优化的物理层技术大大提升了整体网络容量。随着物理层带来的技术收益逐渐饱和,无法继续满足当前移动互联网时代用户流量需求的快速增长,亟需通过挖掘移动用户的使用习惯来实现网络容量的跨越提升。近年来,学术界已开始使用实测数据来分析无线网络的基础设施部署和移动用户的流量需求,以便从更准确的模型描述中受益。同时,随着近年来机器学习技术的兴起,数据驱动型服务被认为是下一个经济增长点,工业界也越来越关注数据积累和相应的知识挖掘。因此,真实数据驱动的技术发展被认为是蜂窝网络的下一代演进方向。本文首先在第二章中全面回顾了学术界有关蜂窝网实测数据的研究成果,不仅说明了实测数据分析的重要性,并且介绍了多种可能的实测数据应用场景。顺着相应的研究脉络,基于来自蜂窝网络运营商的大量实测数据,第三章对基站的空间分布问题进行了大规模的实际验证。根据相应的拟合结果发现,基站的空间布置呈现出聚集特征,而业内流行的泊松点过程模型并不能对此准确描述。而典型的聚类点过程虽然能够在一定程度内提升模拟精度,但仍然不足以准确重现基站的实际分布规律,这也进一步引出了有关基站空间密度的研究内容。第四章致力于刻画实际的基站布置在空间上的密度特征以及流量需求在时间和空间维度上的分布特性。和第二章中揭示的重尾分布现象相一致的是,分析表明α-Stable分布能够很好地模拟蜂窝网中基站以及流量的空间分布密度,并且大量的数据记录表明这两者之前存在统计上的线性相关性。此外,幂律分布和对数正态分布对于数据包长度和请求到达间隔的拟合准确度也被分别证实,这也进一步为α-Stable分布对蜂窝网内汇合流量的准确模拟提供了理论基础。从实测数据得到的蜂窝网聚集性出发,第五章分别提出了基于基站空间聚集分布的协作式缓存策略,以及基于内容请求在时间上爆发到达特点的单播/多播混合传输策略。根据相应的理论推导和仿真验证,我们发现所提的簇内合作缓存策略能够明显降低用户获取内容的平均时延,并且在基站非均匀分布场景下效果更加显著。同样,所提的混合传输策略对于均匀或是爆发到达的用户内容请求,不仅能够降低内容请求的平均延迟,并且也可以减小基站服务的平均功耗。针对时刻变化的内容请求达到特点,进一步提出了具有动态多播门限的混合策略,能够实现适配的用户延时及基站功耗的联合优化。为了实现大规模的实测数据采集以及高效服务策略的动态调整,第五章提出了 一个基于智能SDN（软件定义网络）的蜂窝网络服务框架。通过引进集中式的智能决策中心,这样一种新架构能够实现对流量需求变化的快速追踪,从而通过高性能算法的灵活配置能够实时地满足整个蜂窝网络的运营需求和移动用户的服务需求。总体来说,在本文揭示了蜂窝网络中各个维度上的聚集现象,并且基于这些实际特征提出了相应的服务策略,从而将原本聚集性带来的运营挑战转化成为提升服务性能的机会。