随着5G研究的全面开展,网络业务的种类愈加复杂化,网络带宽资源的需求也不断提高,在密集接入场景下用户的需求不能得到及时满足。如何有效地对有限的网络资源进行分配、如何借助机器学习手段对网络资源进行准确地预留等问题受到越来越多学者的关注。为此,本文提出无线资源弹性分配策略,并研究了相关机器学习算法对分配策略进行补充,进行准确及时的资源预留。对于面向密集复杂移动业务的无线资源分配策略的研究,现有的方法较多地关注网络的服务质量(Quality of Service,Qo S)相关参数,而对网络中的带宽资源和业务流之间的差异性没有足够的关注和讨论。为此,本文重点关注不同业务流之间的差异,提出优先级驱动的弹性分配策略。策略对不同业务流进行分类和优先级鉴定,并根据业务流的优先级和弹性性质(业务流的占用带宽和流持续时间可以进行改变的性质)设计不同情况下的带宽资源分配方法。该策略提高了业务流的交付效率,但是在高优先级的业务流占比较高的情况下,会出现低优先级的业务流“饿死”的现象。为缓解上述问题,本文引入网络流量预测模型对资源进行预留。而现有的流量预测模型或对数据的先验知识和平滑程度要求较高,导致模型泛化能力不足,或不能有效地对网络流量的关键序列段进行特征提取。因此,本文设计了基于长短期记忆网络(Long Short-Term Memory,LSTM)和注意力机制的网络流量预测模型,注意力机制的引入加强了模型对关键序列的关注,提高了模型的预测准确度。将设计的模型应用于对无线带宽资源的预留,如低优先级通道预留、专用通道预留等,使得高低优先级业务之间的平衡性有了提高,但是由于突发事件引起的网络流量变化不具有时间序列上的规律,使得设计的模型无法准确地预测这类网络流量变化。为解决网络流量预测模型对于突发状况的预测准确度低的问题,本文引入终端位置的预测信息进行辅助预测。而在终端位置预测的研究中,大多基于对室内场景并不适用的全球定位系统(Global Positioning System,GPS),且没有较多考虑到移动目标之间的相互影响,使得预测准确度较低。因此本文结合超宽带(Ultra Wide Band,UWB)定位技术,使用基于生成式对抗网络(Generative Adversarial Network,GAN)的终端位置预测模型进行位置预测,并将位置模型在无线带宽资源预留进行应用,提高对突发情况引起的流量变化的预测准确度。最后,仿真实验结果表明使用提出的弹性分配策略,使总体业务流的交付效率提高了18%;流量预测模型的准确度评估值~2为0.9848,位置预测模型的平均预测位置位移误差为0.98m,且基于预测模型的资源预留如低优先级通道预留和专用通道预留,分别使低优先级业务交付时间缩短13.9%,专用业务排队时间缩短6s。以上结果证明了弹性分配策略的有效性和预留策略的及时性和准确性。但是存在业务流的优先级赋予不够灵活、模型较为复杂和异构网络制式较少等问题,未来还需进一步研究更加灵活的优先级赋予算法,降低模型的复杂度和加入更多制式的网络。