基于改进随机森林算法的LBSN用户短期位置预测模型

针对已有的基于LBSN的用户短期位置预测模型性能较低的现状,提出了一种基于改进随机森林算法的LBSN用户短期位置预测模型SPMLIRFA.该模型对随机森林算法进行改进并应用于LBSN用户在短期内的位置预测问题中,SPMLIRFA模型的主要思想是将用户的位置预测问题抽象为对给定的候选位置的分类问题来实现.该模型将时间因素,空间因素,个人社交因素和社交群体的签到地点热门因素特征进行量化,通过计算特征量化值的Fisher比值来衡量特征的重要程度,训练样本则按照特征重要程度划分的比例来采样,再将该样本作为随机森林的训练集,生成模型后分类预测位置.实验结果表明,SPMLIRFA在用户短期位置预测问题上有着较好的泛化性和准确率.

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。