1.一种面向超密集场景考虑用户移动性的资源映射方法，其特征在于，包括如下步骤：S1、超密集网络模型构建步骤，构建一个单宏基站的超密集网络系统；

S2、用户移动性建模步骤，对网络区域进行划分编号并抽象成网络拓扑图，学习用户的历史运动轨迹，构建增量解析数，随后通过高阶马儿科夫链对下个时刻用户的运动进行预测；

S3、虚拟网络映射步骤，构建综合基站选择指标，构建基站选择模型，通过对预测区域的候选基站进行遍历计算，并选择综合指标最大的基站进行资源的预留，进而实现用户的快速切换。

2.根据权利要求1所述的面向超密集场景考虑用户移动性的资源映射方法，其特征在于，S1所述超密集网络模型构建步骤，具体包括：构建一个单宏基站的超密集网络系统，其中，存在N个微基站，即为合集B＝{b1,b2,...,bN}，其对应的位置集合为AB＝{Ab1,Ab2,...,AbN}，所述微基站的位置随机分布在整个网络中，覆盖范围存在随机重叠。

3.根据权利要求2所述的面向超密集场景考虑用户移动性的资源映射方法，其特征在于：在所述单宏基站的超密集网络系统中，每个微基站的覆盖范围满足表达式为h(L)Pw＝β，其中，微基站的覆盖范围L和微基站的功率Pw是固定值，β是信号能够被正确接收的最小的信干比，h(l)＝10^(Ploss(l)/10)是路径损耗函数，每个微基站的功率满足表达式为

Ploss＝32.4+20lgl+20lgf，其中，l是无线信号自由空间传播距离，单位为km，f为电磁波的频率，单位为GHz，Ploss的单位为dB。

4.根据权利要求1所述的面向超密集场景考虑用户移动性的资源映射方法，其特征在于，S2所述用户移动性建模步骤，具体包括：S21、网络拓扑图构建步骤，对网络区域进行划分编号，使用符号b代表只有一个微基站覆盖的区域，使用符号c代表有两个微基站覆盖的区域，使用符号d代表有三个微基站覆盖的区域，并以此类推，当用户从一个区域内移动至另一区域时，能够对其提供服务的基站的集合会发生变化，以此为依据构建抽象拓扑图；

S22、用户运动轨迹预测步骤，用户的历史运动轨迹通过LZ78算法构建增量解析树，随后寻找子状态树，并运用高阶马尔科夫链对下个时刻用户移动区域编号进行预测。

5.根据权利要求1所述的面向超密集场景考虑用户移动性的资源映射方法，其特征在于，S3所述虚拟网络映射步骤，具体包括：考虑用户对资源的需求，设用户对功率的要求为SNRu、对资源的要求为ldu、能够提供的价格为vu，建立基站选择模型为设预测用户u下个时刻到达的区域被覆盖的基站的集合为Bu＝{B1,…,Bn},n＞2，

预测用户距离各个基站对应的距离为

Du＝{d1,…,dn},n＞2，

则信干比为

则当前时刻这个集合中基站对应的负载为

LDu＝{Ld1,…Ldn},n＞2，

集合中每个基站对应的接入代价为

Vu＝{V1,…,Vn},n＞2，

将指标进行归一化并且加权和得到综合指标，

将每个基站的信噪比与服务的最低信噪比进行相比，得到相较于最低信噪比的倍数设宏基站的接入代价为V，那么归一化的接入代价为综合指标的定义则为三个指标的加权和为

MuiltVu＝α·SNR′u-β·LDu-γ·Vu′，其中，α、β、γ为加权权重，满足α+β+γ＝1。

6.根据权利要求1所述的面向超密集场景考虑用户移动性的资源映射方法，其特征在于，在S3所述虚拟网络映射步骤中，计算信干比所用的信道模型为双斜率模型，模型构建过程如下：根据无线传播理论，设路径损耗和移动台与基站间的距离为线性关系，构建关系式PL＝Ploss(d0)+10wlog(d/d0)，其中，d0是参考距离，取值为1、单位为m，PL单位为dB，采用双斜率模型作为信道模型，具体表达式为

其中，w1的取值为2，w2的取值为4，pL(d)＝10^(PL/10)，接收功率表示为

Pr＝Pw·pL(d)。