本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘要：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。
关键词：5G端网协同；OTT数据；用户位置预测；小区聚类；机器学习
doi：10.12045/j.issn.1007-3043.2022.10.007
概述
在目前5G网络大规模部署背景下，要拉动5G业务收入增长，运营商面临的首要关键问题是5G用户的常驻区域的网络质量。保障最容易出问题的覆盖地点，是5G网络端网协同优化的重中之重。传统网络保障通过路测数据（DT）或者测量数据（MR）分析发现网络缺陷，其中DT数据只能反映点线上的问题，无法做到全网精细化评估，而MR数据虽然全面但是5GR15版本终端暂不支持带位置信息的测量数据，即使后续版本支持也存在部分终端不上报MR位置的问题，对5G网络质量的评估造成影响。
机器学习技术作为人工智能的重要组成部分，是国家发展战略重点扶持的目标和当下各行业关注应用的焦点。本文通过使用用户终端APP上产生的用户无线网络数据（OTT）来补偿5GMR的缺陷，利用神经网络算法和DBSCAN聚类算法构建5G用户位置模型和弱覆盖小区分布，为5G用户网络感知精细化保障奠定良好基础。
