一种基于机器学习算法的 5G 传播模型优化方法

作　　者： 杨嘉忱；孙凡晰；孙军亮；许妍青；张立彬

摘　　要： 当前 5G 网络的快速发展对精确定位和信号覆盖提出了更高要求，尤其是在高密度城市环境下，传统传播模型在距离估算中表现出明显局限。针对这一问题，文章中提出了一种结合机器学习算法的传播模型优化方法。通过采集海量手机终端的网络测量报告（MR）和路测数据（Drive Test），并结合 5G 基站的地理位置数据，对终端到主小区之间的距离关系进行大数据分析和特征提取，以构建更加精准的传播模型。该方法能够动态优化模型参数，从而在不同环境中提升距离估算的精度和鲁棒性。实验结果表明，相较传统方法，文章提出的优化方法显著降低了距离估算误差，为复杂环境下的信号传播预测和网络优化提供了重要支持，为后续 5G 网络定位技术的发展提供了新的思路和路径。

来　　源： 《信息产业报道》 2025-02