基于机器学习的5G潜在用户识别研究

宋 晨旭
合肥工业大学

摘要


随着5G技术的全面商用与数字经济的深度融合，精准识别5G潜在用户成为运营商优化资源配置、提升市
场竞争力的关键。本文以用户行为数据、消费特征与网络使用偏好为核心，构建基于机器学习的5G潜在用户识别体
系。首先，通过数据预处理技术完成特征工程，筛选出用户流量消耗、套餐类型、终端设备、消费频次等关键指标；
其次，对比逻辑回归、随机森林、支持向量机（SVM）及梯度提升决策树（GBDT）四种经典机器学习算法的识别
性能；最后，基于某运营商真实用户数据集开展实证分析。实验结果表明，GBDT算法在准确率、召回率与F1分数
上均表现最优，分别达到89.7%、88.3%与89.0%，显著优于其他算法。研究成果可为运营商制定差异化营销战略、精
准触达潜在用户提供技术支撑与决策参考，同时为通信行业用户识别研究提供新的思路与方法。

关键词


机器学习；5G；潜在用户识别；特征工程；算法对比；用户行为分析

全文:

PDF


参考


[1]洪晓晴，潘珈，栾瑶瑶，等.基于机器学习对5G潜

在客户分析与挖掘[J].数据挖掘，2023，13（2）：173-184.

[2]慎于蓝，盛小宁，谢瑞阳，等.基于大小模型和

PCC的精准营销智能推广产品研究[J].广东通信技术，

2025，45（10）：6-10.

[3]张溶芳，许丹丹，王元光，等.机器学习在物联

网虚假用户识别中的运用[J].电信科学，2019，35（7）：

136-144.

[4]朱壮军，秦晓飞.一种5G潜在客户识别模型的构

建方法[J].电子世界，2020，（14）：81-82.

[5]李汀，徐子恒，李飞.基于量子机器学习的无线宽

带信号检测方案[J].信号处理，2023，39（7）：1299-1308.


Refbacks

  • 当前没有refback。