随着通信技术的发展和用户设备数量的急剧增加,移动数据流量在全球范围内呈现爆炸式增长。同时,用户对高速率、低时延通信的需求也在日益增加。异构网络通过在传统的蜂窝网络中部署低功率的小型基站,能够显著提升网络性能,吸引了研究人员的广泛关注。在异构网络中,对用户的移动性进行预测与分析不仅能优化资源分配,还可以提升用户移动过程中的通信服务质量,已成为目前的研究热点之一。异构网络中的用户移动性建模需要考虑预测准确性和模型复杂度之间的矛盾。此外,在引入边缘缓存技术的网络场景中,如何利用移动性预测的结果提高缓存效率也需要进行深入研究。本文的主要工作如下:提出了一种基于分级思想的移动性预测机制。首先对用户的移动行为进行了分析,基于在一天内的平均访问时长提出了一种用于识别被频繁访问地点的聚类算法。然后,将用户的位置预测划分为两个阶段,分别执行粗粒度和细粒度的预测以降低预测的复杂度。在粗粒度预测阶段,基于带有回退的二阶马尔可夫链对用户下一个最可能访问的地点进行了预测。在细粒度预测阶段,利用隐马尔可夫模型从时间和空间两个维度对用户的精确位置进行了预测。仿真结果表明,与现有的预测方法相比,所提出的分级移动性预测机制在预测消耗的时间上有明显改进,并在预测准确度和复杂度之间实现了折中。提出了一种考虑不同类型视频业务和用户移动性的缓存策略。对于一般的网络视频,为了提高缓存效率,考虑在小基站的缓存中存储视频文件的编码数据。通过引入延迟卸载技术,将缓存问题描述为一个优化问题,目标是最小化缓存内容的平均传输成本。基于用户请求的有效期提出了一种优化缓存策略,以最大化从本地缓存下载的数据量。对于典型的流媒体视频,为了满足用户边下载边观看视频的需求,考虑在缓存中放置原始的视频片段。基于用户轨迹的预测结果,提出了一种适用于流媒体视频的缓存方案。仿真结果表明,与基于文件流行度的缓存算法相比,所提出的缓存策略具有较低的平均传输成本。