随着通信技术的不断发展以及各种智能化设备的广泛应用,用户端所产生的业务流量急剧增长。为了应对激增的无线业务流量,网络运营商开始部署超密集站点来保证用户的服务质量,但这会引发新的问题,如网络拥塞或负载失衡等。如果能够预测基站未来的负载,进而根据预测情况调整用户关联策略,这将极大的提升系统性能。因此,本文以实现负载平衡为目标,研究了超密集网络下基于流量预测的用户关联问题。首先,本文阐述了超密集网络以及卷积神经网络的基础知识。主要介绍了超密集蜂窝网络、用户关联问题、凸优化理论以及卷积神经网络的相关知识。其次,针对无线业务流量数据在时间维度的相关性和空间维度的相关性这两个关键特性,本文提出了一种基于时空特征的密集连接卷积神经网络预测策略,来对未来的无线业务流量数据做预测研究。该流量预测策略从网络架构来说具有两个非常显著的特点,一是卷积层之间是密集连接的;二是联合考虑了无线蜂窝网络中业务流量在时间维度以及空间维度上的相关性,并提出了一种融合机制来对流量数据的近邻性特征和周期性特征进行特征融合。本文在意大利电信所提供的真实数据集上进行了验证,结果表明,该预测算法能够有效地捕捉到业务流量的时空特性,同时能够显著提升预测性能。最后,本文研究了基于流量预测的动态用户关联问题。为了实现系统整体的负载均衡,同时在一定程度上保证用户的服务质量,本文将用户关联问题建模为最大化负载平衡因子的效用函数问题。由于该问题具有多个约束导致问题难以直接求解,本文利用拉格朗日对偶法将原凸问题转化成对偶问题,并提出了一种负载感知的动态用户关联算法来求解对偶问题,同时给出了对偶问题的解是原问题的近似最优解的证明过程。仿真结果表明,该算法在预测机制引入的情况下能够实现系统中长时间尺度下的负载均衡,同时为超密集蜂窝网络提供了长期的稳定性保证。