密集异构网络是面向未来移动通信网络而提出的一种新型网络架构。密集异构网络能够减少基站和用户之间的距离,以提高无线网络的性能。由于越来越多的用户喜欢随时随地观看在线短视频,密集异构网络将承载大规模的视频数据流量。为了减轻网络承受的压力,在密集异构网络中采用缓存技术是一种有效的方案。在线视频的流行度是密集异构网络缓存的一个重要属性。本文首先爬取了哔哩哔哩视频网站的在线视频观看量数据,分析了在线视频的观看量的变化情况和在线热点视频所占比重的状况。数据分析结果表明,在线视频的流行度是高度动态的,并且大约20%的在线视频占据总观看量的80%。通过将在线视频观看量的数据集划分为长度为11的时间序列数据集,本文构建了k近邻回归模型进行流行度预测。本文还分析了近邻传播聚类算法进行流行度预测的方案,并做了对比试验。实验结果显示k近邻回归模型整体的均方误差较小,具有较好的稳定性,展现出良好的预测性能。最后,本文以最小化总体传输时延为优化目标,提出了一种基于流行度预测的密集异构网络在线热点视频缓存更新方案(OVCRP)。针对该方案的数学模型,本文采用了图算法分步求解,包括近邻用户聚合、设备重新分配、得到半整数解和修正半整数解,并最终得到该模型问题的近似整数解。仿真实验结果显示,OVCRP和(RANDOM cache,RANDOM)、LRU、LFU相比,具有较高的平均缓存命中率和较低的平均访问时延。