宽带多媒体业务具有业务实效性强、业务种类和场景繁多等特点,并且随着用户对业务服务体验要求的提升,多媒体业务对网络带宽需求越来越高,然而网络带宽的增长落后于多媒体业务对带宽需求的增长。现有网络中向用户提供更佳的多媒体服务仍然是一项挑战。为了有效提升宽带多媒体业务的服务质量,5G网络提出了进一步增强的多媒体广播多播服务技术(Further evolved multimedia broadcast multicast service,FeMBMS),利用蜂窝网和局部点对多点传输来处理大量并发的多媒体流量。同时在5G密集组网需求下,云无线接入网(Cloud Radio Access Network,C-RAN)成为 5G 网络承载宽带多媒体业务的重要网络架构。区别于以往多媒体业务由专用设施或资源进行传输,5G网络会安排多媒体业务和其他特性相差极大的网络业务共享无线网络基础设施,并按需分配资源,以充分利用网络资源。有效利用5GC-RAN网络资源适时地满足宽带多媒体业务传输需求,需要解决网络资源分配过程中无法准确获取实时的多媒体广播业务量需求、面向多媒体业务的资源分配对能效考虑不足、资源分配方式不兼容单播多播等问题。解决上述问题是保证多媒体业务服务质量以及提升5G网络综合效益的关键。本文对此展开研究,提出基于深度学习的宽带多媒体业务资源分配方法来有效解决上述问题。针对用户需求的动态变化可能会对资源分配带来不确定性的问题,提出了基于长期短记忆神经网络(Long Short Term Memory,LSTM)的用户业务量需求预测方法,用户业务量需求包含用户数量和最远用户距离。该方法首先分析了多媒体用户业务量需求影响因素,其次基于LSTM模型对用户业务量数据建模,预测用户业务量需求,最后基于某地市运营商网络的实际流量数据进行了仿真实验,实验结果显示,相比传统业务量预测模型,如Holt-Winters和ARIMA,LSTM模型能够更加准确预测用户数量和最差用户距离,当时间跨度为7天时,预测结果最好。针对资源分配方式不兼容单播多播,对能效的考虑不足等问题,提出了基于深度强化学习的宽带多媒体业务资源分配方法。本文首先构建了 5G CRAN网络中宽带多媒体业务的资源分配的数学模型,并据此定义深度强化学习的动作空间,状态空间和奖励规则,给出基于深度强化学习框架的求解资源分配算法流程。仿真实验结果显示,相比传统资源分配方法,本文所提出方法在不同多播用户数量下的能效指标数值平均低6%左右,发射功率指标低20%左右,表明该方法在资源分配上具有优异的性能。