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潜在用户,提升市场营销的命中率。研究结果表明,基于GBDT算法的潜在5G用户预测模型能有效预测5G目标用户,提高5G用户转化率,对5G用户发展起到积极推动作用。

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。

5G潜在用户预测及在网络规划中的应用研究

随着5G正式商用,5G网络快速部署成为运营商的重要工作内容。预测5G潜在用户和筛选重点业务区域对5G网络精准建设具有重要意义。依托O+B域及从互联网中爬取的第三方网络数据进行大数据分析,深入研究了现网5G终端换机前后的特征,然后从用户业务消费力、终端购买力和换机周期3个维度确定了潜在5G用户的预测方法,并对全网用户进行了预测,筛选出潜在5G用户列表,一方面作为市场部门开拓发展5G用户的目标客户名单,另一方面结合基站和微网格等数据分析潜在5G用户的地理分布,为5G网络规划建设提供数据支持。