超密集网络通过密集化部署基础设施,不断缩小小区覆盖范围,提高资源空间复用率,增大网络容量,成为第五代移动通信的关键技术之一。然而,随着子网数目的不断增多,网络中小区负载动态变化加快,这使得网络负载均衡方案开销急剧增加,基于触发进行负载均衡的方式将导致严重的滞后性,而基于动态网络状态的负载均衡方案收敛速度无法与网络状态变化速度相匹配。此外,随着网络覆盖半径不断变小,接入每个子网内的用户数随机性随之增强,局部区域内负载变化情况更加剧烈,这使得一般的预测方法直接用在超密集网络流量预测中无法获得较高的精确度,难以为负载均衡提供有效信息。基于上述问题,本文首先提出了多维时间序列预测方法,提高了超密集网络业务流量的预测精度,并在此基础上,提出了分级式智能负载均衡方案,有效缓解了现有负载均衡方案开销大、速度慢的问题,其主要研究内容和创新点如下:首先,针对超密集网络业务波动大的问题,提出了多维时间序列预测方法,缓解了流量波动大难以预测的问题,提高了预测精度。首先,从流量预测本身出发,分别采用统计学习回归模型以及深度学习中的卷积神经网络对其进行预测,然后,根据用户数与流量的相关性以及用户数的稳定性,基于用户数的预测,进一步挖掘流量变化信息,最后,将上述三种方法进行加权融合得到完整流量预测方案,从而提高预测精度。其次,针对现有负载均衡方案开销大、速度慢的问题,本文提出了基于预测的负载均衡方案,通过集中式与分布式结合、统计学习与群体智能结合,有效降低了负载均衡方案所需要的开销、并提高了算法收敛速度,使其与动态变化的网络相适配。首先,系统在闲暇时段,采用粒子群算法搜索出使系统历史资源利用率最高的负载均衡方案,作为实时负载均衡方案的训练数据。然后,基于小区实时业务流量预测结果以及前一步所得的训练数据,训练回归模型并获得实时的负载均衡方案。仿真结果表明,所提负载均衡方案以更快的速度、更低的开销,取得了不低于直接进行集中式优化的资源利用率。