基于高铁沿线用户分类的LTE专网优化

通过机器学习中的随机森林算法对高速铁路沿线用户进行分类识别,从训练数据集中分离出专网用户和大网用户,且对训练集和测试集进行精度测试。然后,对LTE小区连接情况进行分析以达到评估高速铁路整体网络线路的目的。最后,对网络质量差的小区进行优化。

基于非监督模型的无线网络异常检测

非监督学习方法可自发地描述数据结构并且推导出网络模式,这对于确认非预期的异常行为并及时地检测出新的异常现象的类型是有效的。本文使用不同的非监督模型来分析无线网络中的流量数据,着重于分析流量数据结合时间轴信息的模型。本文介绍了一个基于高斯概率的潜在语义分析模型——GPLSA,并将该模型与其他方法进行比较,试验结果表明:在一个完全自动化,以数据为驱动的解决方案中,GPLSA可以提供一个稳健的,超前的异常现象检测。

一种基于众包式的大数据算法分析移动APP对LTE无线网络资源的消耗与利用

1、系统设计概述 移动应用程序（APP）流量的快速增长给移动通信网络带来了巨大的压力。该方案通过设计一个名为App ToR（即Application to Resource）的众包式机器学习系统来分析网络资源的使用情况。该系统收集来自手机的App行为信息,挖掘出不同网络层级的数百项指标信息,而且可在App行为信息、网络流量及网络资源之间建立一个两层的映射关系模型,即对每个移动App进行建模、量化及预测无线网络资源的使用情况。

基于LTE信令切换的高铁小区质量评估方法

高速铁路近几年在中国得到了飞速的发展。高速铁路带来的方便、快捷舒适的出行方式,越来越受到旅客的欢迎。在中国步入高速铁路时代的同时,也带来了高铁沿线移动通信的优化问题。本文旨在建立"高铁用户识别模型",全面实现高铁网络性能监控与评估。本文创造性的提出对使用4G网络小区的用户进行分类,再对小区性能评估。文中通过机器学习中的随机森林对高速铁路用户进行分类识别,从训练数据集中分离出专网用户和大网用户,且对训练集和测试集进行精度测试。然后,对LTE小区连接进行总结,对每个小区进行评估以达到评估高铁整体网络线路的目的。

基于Apache Spark田野实验的4G网络使用率预测方法

很多企业意识到利用合适产品吸引潜在客户这一营销策略的重要性。随着大数据时代的到来,这种定向营销是必然发生的。由于用户的行为具有可追踪性,使得公司可以及时地收集和更新个体的喜好信息。本文设计了一个田野实验,引入了最新的机器学习算法和人与人之间的社交网络信息,提出一种有效推动运营商4G网络市场占有率的方法。