随着城市中心化的快速发展,国内大中型城市人口逐年增长,车辆人均保有量日益增多,城市交通拥堵的情况越来越严重,同时交通运输工具内移动用户、车载设备等存在着很大的移动业务需求,如语音、视频、数据等。城市交通拥堵处(如十字路口等),突发的大量密集移动用户会给服务该小区的移动蜂窝网络基站带来很强的通信负载,最终导致该蜂窝小区的用户掉线率、接入阻塞率快速增加,小区通信服务质量(QoE)急剧下降。针对该类因大量密集移动用户接入基站带来的网络堵塞问题,一种有效的解决方法是在宏蜂窝移动网络覆盖范围内的业务密集区域部署微基站,提供异构无线网络服务。但相对于一般的异构无线网络,城市交通场景因通信终端移动速度变化快,会存在切换频繁等问题,因此,合理的无线资源管理方案变得尤为重要。因各类通信终端拥有跟车辆相同的移动速度、行驶轨迹和位置信息,故可通过对交通流的预测并结合相应的移动业务流量模型来预估无线网络状态。传统的交通流预测模型较为简单但并不精确,对于近年来越来越智能化的交通系统并不适用。对于这个问题,近年来比较常用的方法是采用统计学习、机器学习甚至深度学习等人工智能算法进行交通流预测。本文通过对现今流行的预测方法进行了深入的学习和理解,基于深度学习中的长短期记忆模型实现了一种编码-解码模型,并将其应用于二维圆形平面区域的短时交通流预测,以便于后续的无线网络状态预测。同时,实现了现今较为流行的三种短时交通流模型,包括统计学习模型(ARIMA)、机器学习模型(Xgboost)和深度学习模型(SAE),并将其与本文的模型做了分析对比,在真实的交通流数据集上的实验结果表明,四种模型中,本文提出的模型更为优异。随后,本文在短时区域交通流的预测结果基础上,结合移动业务流量模型和车辆移动用户的位置、速度等信息提出了一种网络状态预测方法,并设计了相应无线资源管理方案,包括考虑了微基站之间干扰和负载的异构网络宏基站用户卸载方案以及交通拥堵处路旁微蜂窝的ON/OFF方案。本文利用交通仿真软件(Sumo)仿真产生实验所需的交通流量数据,使用网络仿真模拟器(NS3)对提出的方案做了相应仿真对比,验证了本方案的准确性、可行性,并分析了采用该方案后网络性能表现,仿真结果表明,该方案能一定程度上缓解网络堵塞,提升网络用户服务质量,同时减少系统能耗,达到绿色通信的目的。