为了可持续性地支持爆炸性增长的业务总量和多样化的业务需求,如何优化网络控制机制、提升网络资源利用率成为了重中之重。然而,日益增多的移动用户将会加剧无线业务的动态变化,使网络资源管理变得更加困难。已有研究表明,用户移动具有一定程度的可预测性,如何预测并利用用户移动行为来改进无线网络的设计、提升网络资源利用率已成为新的研究热点。近年来大数据和人工智能技术的发展为移动性预测和网络优化控制提供了新的途径。本文基于深度学习技术对移动轨迹预测问题进行了深入的研究,并利用移动性预测来优化蜂窝网中的移动性管理机制。考虑不同的应用场景,本文将轨迹预测问题拆分为个性化轨迹预测和大众化轨迹预测。对于个性化轨迹预测,提出了基于长短期记忆(Long Short Memory,LSTM)的个性化轨迹预测模型,利用LSTM强大的时序分析能力从用户的大量历史轨迹中学习其移动模式。不同空间颗粒度的预测结果证明了所提出模型的有效性。对于大众化轨迹预测,提出了基于Seq2Seq(Sequence to Sequence)的大众化轨迹预测模型,从而实现在特定区域内的多用户多步轨迹预测。在真实数据集上的实验结果表明,该模型不仅具有较强的泛化能力,还降低了多步预测的误差累积效应。进一步,本文提出了基于轨迹预测的智能双连接机制用于解决蜂窝网的切换问题,仿真结果说明所提出的机制可以在保证网络能量效率的同时提高移动用户的服务体验质量。本文进一步研究了如何主动地适应用户移动环境带来的服务请求变化,设计多业务按需服务(即网络切片)场景下的资源分配机制。本文将资源分配问题建模为马尔可夫决策过程,通过LSTM网络来跟踪用户移动与不同服务请求数量的时间变化规律,在此基础上,利用强化学习机制学习最优的带宽分配策略,由此形成了一种端到端的基于LSTM的智能决策机制。仿真结果表明,所提出的资源分配机制在用户请求具有较大波动的情况下,可以较快地学习到最优带宽分配策略。该策略不仅可以保障不同服务用户的服务质量,还可以提高频谱效率,从而使系统效益得到了显著提升。