为了应对移动数据流量的爆炸性增长,5G网络中超密集部署的小基站采用了毫米波通信技术,以低成本低功耗的方式极大地增加了网络的带宽。但是毫米波较短的通信距离导致移动用户更容易在小基站之间频繁切换并不得不重建与远程服务器之间的连接,这将严重地降低用户的体验质量(QoE),尤其是对于时延敏感类的应用。为了解决这些问题,本文采取了在小基站网络中部署预缓存的方案,提前在移动用户即将接入的基站中缓存部分用户正在请求的内容。当用户移动到新的基站后就能够直接从基站缓存空间获取内容而不必经由回传网络从远程服务器下载。因此用户可以体验到无缝的移动切换以及更低的时延和更快的下载速率。尽管如此,在没有任何先验知识的情况下,仍然难以准确感知用户的移动规律并在合适的基站部署适量内容。本文的主要贡献包括三个部分。第一,通过调研深度学习的最新进展,本文提出了分别基于条件变分自动编码器和长短期记忆网络的两种无模型的移动性预测方案,能够从用户的历史轨迹中推断出包含用户移动规律的隐藏信息。在没有任何先验知识的情况下,本文所提出的方案在真实的GPS轨迹数据集上预测用户移动性时达到了 81.3%的准确率。第二,本文提出了分别基于随机森林和支持向量回归的两种逗留时间预测方案。实验表明本文所提出的方案在预测逗留时间时有高达77.9%的预测值的误差范围在20%以内。第三,本文综合考虑用户移动性及逗留时间,将预缓存问题定义为一个马尔可夫决策问题,并设计出一种基于深度强化学习的预缓存决策算法。通过性能对比实验将本文所提出的预缓存策略与三种对比策略进行充分比较后,验证了本文预缓存策略具有最高的预缓存收益从而对用户体验的提升最大。