随着5G技术的发展,网络架构日益密集、各种新兴移动应用不断涌现,满足用户对网络流量的需求已成为运营商企业亟需解决的重要问题。由于用户移动行为的随机性、流量请求的复杂性以及流量分布在空间上的关联与约束,网络流量的精准预测面临着诸多挑战。本文针对这一问题进行了研究,所做的主要工作及创新点包括:第一,本文在超密集网络的场景下提出了一种基于网络流量时空特性的流量预测模型,并提出了一种空间融合划分的方法,首先对空间区域进行划分,基于3DCNN算法进行空间特征抓取;其次基于LSTM算法对流量序列中的时间特征进行抓取。为了验证所提模型的有效性,论文基于校企合作项目中运营商企业提供的实际数据进行了仿真。实验结果表明,所提模型能够有效抓取流量的时空特征,显著降低预测误差,与传统算法ARIMA、LSTM相比,标准均方根误差分别降低了 20%和2%。第二,本文提出了一种改进的LSTM算法,该算法基于深度学习中的多任务学习的思想,在网络隐藏层实现参数共享,从而完成网络流量的多维度预测。模型应用于运营商企业提供的实际数据后,仿真结果显示,与传统算法ARIMA、LSTM相比,本文提出的LSTM模型对网络流量预测结果的标准均方根误差分别降低了 11%和3%,并增强了模型的泛化能力。第三,本文在Conv-LSTM的基础上进一步实现了优化改进。改进思路结合数据挖掘中的分类算法,基于网络流量的时空预测结果,构建网络流量是否异常的二分类模型,并设计了该二分类模型的价值函数作为模型性能评估的度量。模型应用于运营商企业提供的实际数据后,仿真结果显示Conv-LSTM模型的二分类预测总体正确率为68.5%,且降低了模型的计算复杂度。第四,本文提出了一种基于流量时空预测结果的负载均衡方案,运用粒子群算法对历史流量数据进行优化,对预测结果进行分布式的实时调度,运用回归算法根据优化结果提出每个小区最终的负载均衡方案。实验结果表明:在本文给出的仿真场景下,使用该方案网络资源利用率提升了 6.54%,具有一定的现实意义。综上,本文针对网络流量的时空特性预测及负载均衡应用进行了研究,对于用户体验的提升及通信网络技术的进步有着重要的意义。