本發(fā)明公開(kāi)了基于流量預(yù)測(cè)與深度強(qiáng)化學(xué)習(xí)的虛擬資源動(dòng)態(tài)擴(kuò)縮容方法，包括：S1：獲取5G核心網(wǎng)的歷史指標(biāo)數(shù)據(jù)和網(wǎng)絡(luò)狀態(tài)數(shù)據(jù)，并對(duì)所述歷史指標(biāo)數(shù)據(jù)進(jìn)行數(shù)據(jù)清洗；S2：將數(shù)據(jù)清洗后的所述歷史指標(biāo)數(shù)據(jù)輸入LSTM模型進(jìn)行訓(xùn)練和預(yù)測(cè)，得到預(yù)測(cè)結(jié)果；S3：將所述預(yù)測(cè)結(jié)果和所述網(wǎng)絡(luò)狀態(tài)數(shù)據(jù)輸入到Priority?DQN算法進(jìn)行決策，輸出AMF決策結(jié)果。本發(fā)明將虛擬資源的動(dòng)態(tài)擴(kuò)縮容問(wèn)題具象為對(duì)于AMF單元的擴(kuò)縮容問(wèn)題，將LSTM預(yù)測(cè)與基于優(yōu)先級(jí)的DQN方法相結(jié)合，既保證了對(duì)核心網(wǎng)流量數(shù)據(jù)的提前感知，減少響應(yīng)延遲并解決靜態(tài)閾值下的決策震蕩問(wèn)題，又實(shí)現(xiàn)了在線學(xué)習(xí)的自演進(jìn)過(guò)程，更好地適應(yīng)5G核心網(wǎng)環(huán)境這一場(chǎng)景。