基于OTT数据的5G端网协同智能优化研究与实践

针对当前5G MR不携带用户位置信息无法实现用户网络感知精细化分析的问题,引入OTT大数据通过使用神经网络算法、DBSCAN算法等机器学习算法,建立5G用户位置预测和5G弱覆盖小区分布聚类模型,开展精细化的5G用户感知保障。研究结果表明,基于OTT数据的5G端网协同智能优化能有效提升5G优化效率,节省网络运营成本。     

基于AI算法的无线网络邻区关系优化研究与实践

针对现有邻区优化方式的不足,基于现网数据引入XGBoost机器学习回归预测算法,通过学习具有自动邻区关系网络的两两小区切换占比建立预测模型,优化非自动邻区关系网络小区邻区关系.研究结果表明,基于AI算法的无线网络邻区关系优化能有效提高邻区优化效率,提升邻区关系的准确性.     

基于大数据+AI的5G网络运营与保障

传统5G用户营销方式精准度低,5G用户位置信息准确度不高,大多数MRO数据的用户位置信息缺失,无法针对性进行5G网络部署;传统网络感知分析手段有限,无法实现用户级评估;站点规划工作量大、人员水平有限的问题导致站址规划效果不佳。主要围绕5G用户是谁、5G用户在哪、5G用户网络感知如何这3个核心问题来开展研究,通过引入GBDT算法、随机森林算法和DBSCAN算法等AI智能算法,实现5G用户挖掘、5G用户位置预测、5G智能规划和5G网络感知保障等功能,完成基于大数据+AI的5G网络运营与保障。     

基于GBDT算法的潜在5G用户预测研究与实现

5G用户规模发展是新时代新基建大背景下运营商5G网络建设的终极目标.传统的通过人工方式进行营销发展存在诸多不足,浪费大量人力物力财力.针对这些缺点,基于运营商O域和B域数据引入梯度提升决策树(GBDT)分类算法,通过学习存量5G用户正负样本在历史网络上产生的出账数据和网络数据建立5G用户分类预测模型,做到精准挖掘5G潜...