超密集网络作为5G移动通信网络中的关键技术能够大幅度提升频谱利用效率,提升网络容量,解决边缘覆盖盲点问题。在超密集网络下使用软件定义网络(SDN)技术可以根据不同小区业务量灵活分配网络资源,使得网络资源与业务需求精准适配,从而有效提升网络性能。因此,需要对超密集网络中不同小小区内业务的波动情况进行精准预测,它是无缝实施资源调度的关键前提。然而,超密集网络由于小小区的异质密集化部署使得小区半径骤降,小区中业务波动严重,用户业务分布统计规律大幅下降,且不同区域分布差异性大,数据偏态性较强。这使得传统机器学习中的预测算法无法直接迁移至超密集网络业务预测中使用。针对上述问题,本文对传统Boosting预测算法拟合机制进行改进,提出了MLT-Boosting流量预测方法,提升了网络流量预测精度。其次,结合典型超密集网络场景大型机场的场景特异性,从旅客安检行为习惯和航班排班信息对业务分布在时间空间上的影响出发,提出基于空时影响因子的业务量预测模型。最后,结合上述改进提出了一种典型超密集网络场景下的用户业务预测(EMIST)框架。此外,根据预测结果进行动态的带宽实时分配,有效提高网络性能。本文主要的研究内容及创新点介绍如下:(1)本文针对异质密集化网络中小区业务波动性大、差异性强的特点导致的业务分布难预测的问题,提出了MLT-Boosting流量预测方法。该方法通过分阶段数据偏态性检测和标签变换及标签压缩机制,充分缓解了数据偏态性及分布统计特性差所带来的影响。同时,针对传统算法在数据统计特性较差时逐步残差拟合过程可能出现的待预测残差数据呈现偏态性的特点,在迭代过程中对残差动态调整,增强了算法的灵活性,一定程度上提升了算法的拟合能力。(2)小区业务量的变化趋势不仅由历史数据决定,同时还受到一些实时相关因素的影响,从而呈现出不具有历史规律性的突发波动现象,比如在大型机场中小区业务量与航班情况密切相关。针对这一问题,本文创新性的提出了航班信息对业务分布的空时影响因子来刻画特定时间点大量航班对于某观测点处业务接入量在空间时间上的多维度影响,并结合残差拟合机制建立了登机口区域模型。随后,从机场用户业务的周期性,趋势性,区域性等多角度出发,提出了基于多元历史信息的整体区域模型架构并利用所提改进算法完成模型的建立。融合多个子模型形成本文所提EMIST预测框架。(3)通过多个详细的仿真实验证明了所提EMIST系统架构对于典型超密集网络场景大型机场各个区域的业务接入预测精度较传统时间序列算法或者Boosting算法而言都有了较为显著的性能提升。有效的缓解了机场下的业务分布统计特性差,偏态性强,受到强外部因素影响的问题。最后,在超密集网络下使用SDN技术,基于EMIST架构预测结果进行动态资源分配,使网络资源与业务需求精准适配。仿真结果表明,较传统固定带宽方案有效提高了系统资源利用率和系统吞吐量。