由于各种智能设备和互联网应用的爆发式增长和崛起以及人们在日常生活中对移动通信的高度依赖,无线数据流量正在急剧增加并保持这种趋势。超密集网络(Ultra-Dense Network,UDN)作为第五代移动通信系统(The Fifth Generation Mobile Communication,5G)的关键技术之一被视为是一种行之有效的解决方案。然而,如此大规模的基站部署引发了若干切换管理问题,包括频繁的切换、急剧增加的信令成本以及巨大的能耗等。这些问题都与网络架构紧密相关。在传统蜂窝网络架构中,控制覆盖与业务覆盖紧密耦合。基站不仅要负责无线信号的收发,还要负责信号处理、资源调度、切换和同步等控制服务。这使得UDN中切换管理变得更加复杂。控制平面(Control Plane,CP)和用户平面(User Plane,UP)分离的网络架构能够克服传统蜂窝网络架构的局限性。尽管如此,传统切换算法通常采用的被动触发策略导致移动网络不能预留资源,这对用户端和网络端都造成负面的影响。传统基于预测的切换算法存在计算复杂度高,预测准确度不高等问题。因此,传统的切换算法已不再适用于UDN场景,需要研究更高效的切换算法。随着人工智能的不断发展,机器学习有望作为数据驱动方法被用于在UDN中做出最佳切换决策。因此,基于上述切换管理在UDN中面临的挑战,本文旨在面向超密集网络研究基于机器学习的切换管理方法,主要的研究内容及创新如下:本文提出了 一种在CP/UP分离的网络架构中,基于机器学习的切换预测方案,能够以较高的准确率预测目标基站并降低切换相关的信令成本。本文设计了三层的长短期记忆网络(Long and Short Term Memory,LSTM)结构,基于此结构来预测目标基站的编号,使得目标基站可以提前进行资源准备以降低切换相关的信令成本。仿真结果表明,与传统的非预测算法相比,本文提出的基于LSTM的切换预测方法可以显着降低切换信令成本。本文提出了一种基于机器学习的切换预测基站开/关节能框架及方法。在CP/UP分离的网络架构下,所提出的框架基于LSTM预测下一时刻的用户位置,然后对切换进行预测并利用其来估算下一时刻的基站负载,进一步基于前馈神经网络(Feed Forward Neural Network,FFNN)通过用户的位置信息以及数据速率需求来预测最佳的基站开/关配置,从而提升网络的能量效率(Energy-Efficient,EE)。仿真结果表明,对比无基站开关方案以及反应式方案,本文提出的方案有明显的性能提升,极大地提升了网络的EE。