近年来,随着移动终端对网络服务需求向高质量化、多样化的趋势发展。同时,由5G超密集网络与传统的异构无线网络融合而成的超密集异构无线网络,具有超密集、高复杂、强异构的特点。如何在超密集异构无线网络环境中,提高终端的网络服务质量,成为当前学术界和产业界关注的重难点问题。本文利用预测终端位置的方式,分析在终端位置变化的情况下,其接入网络服务质量的变化情况,以期减少网络切换次数和网络切换时延来提升网络的整体性能。本文主要工作如下:1.在密集异构蜂窝网络和无线局域网络构成的超密集异构无线网络中,变速移动的车辆终端会面临更频繁的切换,导致用户服务质量变差。本章针对该问题,首先,利用高斯马尔可夫移动模型,预测车辆下一时刻的位置,筛选出满足终端服务质量的候选网络集,与当前的候选网络集做交运算。其次,当前接入网络不在交集中,则使用变步长的萤火虫算法寻找最佳网络。再次,对因预测误差导致的切换失败,则把终端用户迁移到宏蜂窝,以保证通信的持续性。最后,通过仿真结果表明本文算法减少了切换次数,提升了用户的服务质量和网络吞吐量。2.针对上述工作,未考虑到候选网络增多时,移动终端会面临更严重的切换时延,导致用户服务质量变差。因此利用运动轨迹的相似性预测终端的位置,并依据位置进行切换触发的判断,进而提前生成高服务质量的网络候选集,提出一种基于历史信息的位置预测算法。主要流程是:首先,结合离群算法和K-Means聚类算法分析历史数据,找出网络障碍点的位置用于网络切换的判决。在此之前,需完成历史数据的分类,先按时间和空间分类历史数据。然后,在历史数据中,寻找与当前终端移动轨迹最相似的移动轨迹,预测终端下一时刻的位置。为减少寻找轨迹的数量和提升预测的准确度,利用K-Means聚类算法对数据进一步分类。最后,依据位置进行切换触发的判断,若切换触发,则将切换未触发前生成的网络候选集求交集,生成高服务质量的网络候选集。并利用二元联系数区间多属性决策算法选择最佳接入网络。通过仿真表明本章算法减少了切换时延,提高了预测的准确度和网络吞吐量。