随着智能设备的迅猛发展,越来越多的网络终端接入了互联网。大量网络数据,对核心网络的负载产生了巨大的压力。在这样的背景下,移动边缘计算应运而生,通过在网络边缘部署边缘服务器,加强了在靠近设备端的实时处理能力。然而当边缘服务器的接入设备部署密集时,资源有限的边缘服务器如何分配其自身资源就成了一个影响终端用户体验的关键性因素。本文的提出了一种新的解决思路,首先,本文中引入了预测机制,通过对边缘设备的历史资源申请记录进行的分析处理,转换为时序序列,提出基于长短期记忆神经网络的算法模型进行预测,针对当前已经到来的任务序列,预测出未来接入设备可能使用的任务。其次,根据模型预测结果,在真实任务到来之前,提前分到不同的边缘服务器上,进行虚拟机中服务的连接与加载。本文中将资源负载分配问题,定义为一个最大化系统收益的全局最优化问题。该问题已经被证明为是一个NP-hard问题,本文通过利用历史执行数据的预测信息,将其分解为两个子问题进行解决,分别是节点分配问题与节点内的资源分配问题,可以在线性时间内求解。最后通过对比实验证明,本文提出的算法通过提前加载的机制,能有效降低设备的响应延迟,以及任务序列的平均完成时间,并在分配结果上,接近理论最优。相比于传统算法,在响应时间上,具有约45%-55%的性能提升,在平均完成时间上,具有约5%-10%的性能提升。本文的研究成果对该领域具有很高的参考价值与实用价值。