基于机器学习对5G潜在客户分析与挖掘

摘要

随着通信网络工程和新型基础设施技术的不断发展与完善,我国正逐渐实现从4G社会向5G社会的转型。5G其低时延、大带宽、广连接的技术优势,成为建设智慧城市和数字乡村重要的技术背景。为实现智慧城市建设所需的5G网络大规模连接条件,需要更高的5G用户使用率。基于此问题,本文从某移动大数据平台获取数据,基于5G潜在用户的预测问题利用机器学习建立分类预测模型,正确识别出潜在的5G用户并对其进行精准业务推荐,提升我国5G使用率,推进新型智慧城市建设的快速升级。构建预测模型的过程主要包括数据预处理、特征工程、模型的训练和评估。首先对数据进行预处理及探索性分析,针对数据进行了包含数据清洗、去除唯一值属性、数据变换等在内的一系列预处理工作,随后通过卡方检验、独立样本T检验和皮尔逊相关系数法对本文数据集中的特征进行了变量筛选,筛选出特征重要度高的24个特征变量。根据筛选出的特征变量构建模型,包括随机森林模型、CatBoost模型、LightGBM模型并进行参数调优,寻找最优参数。根据得到的最优参数建立模型并通过测试集进行测试,通过准确率、召回率、AUC值指标进行模型评价,对比发现LightGBM模型对于5G潜在用户预测效果总体上优于其他模型。另外通过上述模型得到特征的重要性得分并进行重要性排序。通过本文方法实现对5G潜在用户较为准确的识别与挖掘,运营商可据此实现对不同客户的精准营销,推进更多用户实现4G向5G的转变,加快我国5G市场的持续发展和智慧化城市的建设。