随着无线通信网络和移动互联网技术的飞速发展,由智能终端构成的无线分布式网络已经成为下一代无线通信网络的重要组成部分。由于下一代无线网络具有业务种类多样、用户数量大等特点,使得业务到达的随机性和业务发送的随机性增大,进一步增加了分布式网络中用户共享信道资源的难度。因此,有必要研究一种适用于多用户无线分布式网络的新型多址接入协议,解决现有协议在应用中的不足。本文通过分析发现无线分布式网络的多址接入问题会受到业务到达随机性和业务发送随机性的影响。为了对抗业务到达过程的随机特性,本文利用深度学习算法,对业务流量进行预测。在此基础上,本文根据业务到达特性,利用深度强化学习算法对业务发送策略进行了研究,提出了一种新的业务发送策略。本文的具体内容如下:1.针对基站流量预测场景,本文首先在时间尺度上对基站端获取的实际流量信息进行了研究,分析了基站端收集到的多种信令信息的物理意义,利用皮尔逊相关系数衡量不同信令信息与流量的相关程度,从而判断不同信令信息对于流量预测的影响,并利用卷积神经网络验证了引入信令信息可提升流量预测的准确性。在此基础上,基于不同信令信息对于预测的影响,本文设计了使用不同卷积层参数的多头卷积神经网络模型,对不同的信令信息进行分离采样,最大化提取有效信息,降低冗余信息的影响,提升了预测的准确性。2.进一步考虑到多基站之间存在空间相关性,本文首先利用KL散度对不同基站流量的相似程度进行衡量,设计了一种基于迁移学习思想的卷积神经网络模型,利用多个基站的流量信息对模型进行预训练,捕获流量变化的共性特征;利用目标基站的流量信息对模型进行微调,获取流量变化的个性特征,实现对通信流量的时空联合预测,进一步提高了预测的准确性。3.针对多用户信道资源分配场景,本文一方面研究单信道、轻业务场景中的业务发送问题,利用业务到达过程的先验信息,设计了基于深度强化学习的时隙资源分配算法。该算法使用独立多智能体结构,智能体在发送过程中不进行信息交互,根据自身的业务情况,结合信道占用的历史信息自主决策发送过程。实验结果表明,在总体上,该算法使得起始处于随机发送状态的节点,在业务发送过程中逐渐表现出了一定的规律性;在个体上,每个节点通过预测信道被占用概率决策发送过程,避免冲突的发生,使得该算法较大幅度的提高网络吞吐量。另一方面本文研究了多信道、重业务场景中的业务发送问题,提出了在OFDMA网络中的时频资源分配算法,利用独立多智能体结构,对网络时频资源块分配问题进行了建模,设计了对应的状态、动作和奖励。实验结果表明,该算法使得起始处于随机选取资源块的节点,在发送过程中趋向于选取不同的时频资源块进行业务传输,从而降低了冲突的概率并提升了网络的吞吐量。另外,本文采用了虚拟业务的设定,使得算法在业务负载波动的情况下,依然保持良好的吐吞量,增强了算法的鲁棒性。