移动通信飞速发展的几十年间,见证了数以亿计的智能设备与信息对象的连接。大量数据密集型、个性化、多样化应用的涌现,给现有接入与前传网带来沉重压力。作为信息交互与网络服务供应的载体,基站在满足人们通信需求方面至关重要。最大限度地挖掘基站流量的有效信息,有助于实现资源的灵活分配与编排。然而,基站的业务请求存在时空动态与不确定性,使该时序问题的分析与预测成为难点。此外,第五代移动通信(5G)作为下一代蜂窝系统,如何满足前传网对于高数据速率、高服务质量的需求,以及适应流量爆炸式增长的趋势,已成为待解决的关键问题。集中化无线接入网(C-RAN)是5G的关键架构之一。怎样充分利用其集中化、协作式特性实现资源智能、高效的配置也至为关键。针对上述问题,本论文围绕C-RAN,以低延迟、高带宽光纤构成的前传网为研究对象,主要工作与创新点如下:1)针对非平稳性流量难以分析与预测的问题,提出了四种基于深度学习算法的流量预测方案。数据分析过程中,简述了数据清洗、特征编码等特征工程相关工作,旨在最大限度地挖掘流量中的有效信息,剔除冗余以供模型发挥出色的预估性能。为确保预测的效果,通过超参数调优、选用恰当的优化算法、拟合修正等策略对深度学习模型不断优化。实验结果表明,Prophet模型的百分比准确率(PA)可达92.16%。2)针对5G光前传网资源利用率低、资源管理僵化的问题,提出了基于流量感知的光前传动态负载迁移节能机制。在流量预测的基础上,采用改进的装箱算法,将流量负载处理任务迁移到少部分的基带处理单元(BBU)中,关闭空闲的BBU,进而实现节能的目的。仿真结果表明,该方案下活跃BBU数量降低了 66.67%,BBU的平均利用率由15.60%提升至85.83%。3)针对5G高质量、低延时的业务需求,提出了基于流量感知的光前传负载均衡方案。基于流量感知,通过聚类与改进的粒子群优化算法动态配置远端射频单元(RRH)与BBU间的映射关系。解决非均匀分布的负载问题,方便地实现资源聚集与动态分配。仿真结果表明,该方案下负载均衡因子可达90.32%,阻塞率降低14.01%。