胡博，趙蘭奇，張丹

（中國(guó)移動(dòng)通信集團(tuán)陜西有限公司，西安 710077）

為支撐滾動(dòng)規(guī)劃需求流程，提供規(guī)劃站址審核參考依據(jù)，體現(xiàn)規(guī)劃站址建設(shè)價(jià)值，利用全省現(xiàn)網(wǎng)站點(diǎn)模擬規(guī)劃需求站址評(píng)分，從網(wǎng)絡(luò)覆蓋結(jié)構(gòu)、容量、客戶價(jià)值、潛在價(jià)值需求等多方面，引入機(jī)器學(xué)習(xí)算法，進(jìn)行流量預(yù)測(cè)，實(shí)現(xiàn)基于價(jià)值的規(guī)劃評(píng)估體系。

通過(guò)機(jī)器學(xué)習(xí)建模分析無(wú)線區(qū)域規(guī)劃流量?jī)r(jià)值的準(zhǔn)確性、高效性是本技術(shù)方案的關(guān)鍵所在。由于無(wú)線網(wǎng)絡(luò)在不同環(huán)境和狀況下存在很大差異，為了保證不同場(chǎng)景、不同區(qū)域、不同網(wǎng)絡(luò)的規(guī)劃區(qū)域流量預(yù)測(cè)的準(zhǔn)確性真實(shí)性，需要建立一套客觀準(zhǔn)確的模型。因此，傳統(tǒng)的基于比重因子的評(píng)估算法不能完全有效的解決流量?jī)r(jià)值評(píng)估真實(shí)有效的問(wèn)題，從而無(wú)法達(dá)到指導(dǎo)各地市準(zhǔn)確建設(shè)目的。

使用全省共78 623個(gè)4G和2G基站的基礎(chǔ)數(shù)據(jù)，以4G基站所在經(jīng)緯度和區(qū)域類型分類，對(duì)4G和2G基站分別進(jìn)行統(tǒng)計(jì)，并去除覆蓋范圍內(nèi)站點(diǎn)數(shù)為0及其它指標(biāo)正常而流量為0的基站等異常數(shù)據(jù)，通過(guò)相關(guān)性研究，最終確定特征變量：使用MR弱覆蓋比例、平均RSRP、2G高倒流時(shí)長(zhǎng)、平均站間距、2G流量、4GRRC用戶數(shù)量、4G客戶、4G累計(jì)駐留時(shí)長(zhǎng)、4GDOU等9個(gè)特征變量，采用“決策樹(shù)”算法作為預(yù)測(cè)基站價(jià)值（流量）算法，通過(guò)提取現(xiàn)網(wǎng)指標(biāo)、數(shù)據(jù)，完成機(jī)器學(xué)習(xí)，并對(duì)算法進(jìn)行驗(yàn)證分析，準(zhǔn)確率達(dá)到87%。

同時(shí)，為避免原規(guī)劃價(jià)值評(píng)分體系中的人為因素，本次在價(jià)值評(píng)分體系搭建時(shí)充分利用其它平臺(tái)可利用數(shù)據(jù)來(lái)源代替手工填寫(xiě)，并完成數(shù)據(jù)的自動(dòng)匹配與計(jì)算。數(shù)據(jù)主要來(lái)源于FAST平臺(tái)、網(wǎng)優(yōu)平臺(tái)2.0及ATU測(cè)試管理平臺(tái)。避免了原價(jià)值評(píng)分體系信息大多數(shù)來(lái)自各地市規(guī)劃人員手工填寫(xiě)，既減少了地市規(guī)劃人員工作量又提高了價(jià)值評(píng)分可參考性。

1 研究背景與意義

1.1 規(guī)劃需求日益增多

隨著全省規(guī)劃工作的持續(xù)開(kāi)展，種類繁多的站點(diǎn)需求不斷增多，全省規(guī)劃質(zhì)量管控平臺(tái)逐步代替了傳統(tǒng)方式規(guī)劃站址的工作，在歷屆工期規(guī)劃中，來(lái)源于全省規(guī)劃質(zhì)量管控平臺(tái)的站址數(shù)占比增幅明顯截至5-2期已達(dá)到94.08%，已經(jīng)實(shí)現(xiàn)了站址規(guī)劃全面管控，在需求大量累積，審核任務(wù)繁重的情況下，需要平臺(tái)提供一種客戶價(jià)值依據(jù)，為站址規(guī)劃、站址審核提供參考，提高站址規(guī)劃及審核效率。

1.2 減少人工干預(yù)因素

原規(guī)劃評(píng)分體系中，價(jià)值評(píng)分項(xiàng)13項(xiàng)，除部分網(wǎng)絡(luò)數(shù)據(jù)可從系統(tǒng)提取外，其它市場(chǎng)、建設(shè)數(shù)據(jù)均為人為填寫(xiě)，數(shù)據(jù)準(zhǔn)確性及可靠性均存在較大爭(zhēng)議。

因此，為體現(xiàn)站址規(guī)劃需求的客觀價(jià)值，需要一套盡量避免人工干預(yù)，數(shù)據(jù)可信、統(tǒng)計(jì)科學(xué)、評(píng)分切合實(shí)際價(jià)值的價(jià)值評(píng)分體系。

1.3 提供站址審核的剛性標(biāo)準(zhǔn)

目前全省規(guī)劃質(zhì)量管控平臺(tái)站址需求審核基本由人工完成，審核人員對(duì)站址需求理解各有差異，多數(shù)依靠站址需求描述和測(cè)試報(bào)告等，在審核標(biāo)準(zhǔn)上缺少完善的剛性尺度，經(jīng)常造成審核過(guò)度嚴(yán)格或過(guò)度寬松，因此需要一套客觀價(jià)值數(shù)據(jù)為審核人員提供站址需求參考，使站址需求能夠切合實(shí)際現(xiàn)場(chǎng)環(huán)境。

1.4 潛在價(jià)值的主動(dòng)規(guī)劃

通過(guò)一套完善的價(jià)值評(píng)分體系，可以盡早的發(fā)掘出具備較大規(guī)劃價(jià)值的潛在規(guī)劃需求，改變以往存在價(jià)值再規(guī)劃，建設(shè)周期長(zhǎng)導(dǎo)致客戶流失或感知下降的惡性習(xí)慣，通過(guò)主動(dòng)推送潛在價(jià)值規(guī)劃促進(jìn)網(wǎng)絡(luò)建設(shè)。

2 數(shù)據(jù)處理與大數(shù)據(jù)分析模型

2.1 數(shù)據(jù)清洗

根據(jù)可能會(huì)影響流量的因素去預(yù)測(cè)基站建站后的流量，但在分析數(shù)據(jù)時(shí)，我們發(fā)現(xiàn)存在一些數(shù)據(jù)的數(shù)值顯然不能反映預(yù)測(cè)的一般趨勢(shì)，屬于異常數(shù)據(jù)，需要將它們剔除（如圖1所示）。

（1）某些基站在其它因素都正常的情況下出現(xiàn)流量為零的情況。

（2）基站平均站間距不正常（工參不準(zhǔn)）的區(qū)域予以剔除，例如某些基站的平均站間距超過(guò)了10 000 m。

圖1 數(shù)據(jù)清洗

2.2 變量相關(guān)性分析

剔除不合理數(shù)據(jù)后分析下變量間的相關(guān)性。由相關(guān)性分析，我們發(fā)現(xiàn)流量與用戶數(shù)量，4G流量等相關(guān)性較強(qiáng)?？梢詮娜鐖D2所示的所有變量間的散點(diǎn)圖上看出。

2.3 基于大數(shù)據(jù)分析

圖2 變量相關(guān)性分析

數(shù)據(jù)來(lái)源：為確保數(shù)據(jù)的客觀性和真實(shí)性，此次基于大數(shù)據(jù)的規(guī)劃價(jià)值評(píng)估體系使用的數(shù)據(jù)均來(lái)自系統(tǒng)相關(guān)平臺(tái)，其中MR弱覆蓋比例、平均RSRP來(lái)自于FAST平臺(tái)；2G高倒流時(shí)長(zhǎng)、4G客戶數(shù)、4G累計(jì)駐留時(shí)長(zhǎng)、4G客戶數(shù)來(lái)自于經(jīng)分統(tǒng)計(jì)數(shù)據(jù)；4G流量、2G流量、4GRRC用戶數(shù)量來(lái)自于網(wǎng)優(yōu)平臺(tái)；平均站間距來(lái)自于規(guī)劃系統(tǒng)。

數(shù)據(jù)數(shù)量：全省共78 623個(gè)4G和2G基站數(shù)據(jù)，其中4G基站數(shù)量46 088個(gè)，4G小區(qū)數(shù)量112 291個(gè)，2G基站數(shù)量32 535個(gè)，2G小區(qū)數(shù)量75 123個(gè)。并通過(guò)網(wǎng)優(yōu)平臺(tái)提取日均流量、RRC連接數(shù)等指標(biāo)，F(xiàn)AST平臺(tái)計(jì)算4G小區(qū)RSRP10×10 m柵格數(shù)內(nèi)的平均電平，以及RSRP值小于等于-105 dB的10×10 m柵格數(shù)占總柵格數(shù)的比例，經(jīng)分系統(tǒng)中的每小區(qū)下的4G客戶數(shù)、4G累計(jì)駐留時(shí)長(zhǎng)、4G客戶數(shù)等，充分運(yùn)用大數(shù)據(jù)分析，提高價(jià)值評(píng)估的合理性和準(zhǔn)確性。

使用全省共78 623個(gè)4G和2G基站的基礎(chǔ)數(shù)據(jù)，使用MR弱覆蓋比例、平均RSRP、2G高倒流時(shí)長(zhǎng)、平均站間距、2G流量、4GRRC用戶數(shù)量、4G客戶、4G累計(jì)駐留時(shí)長(zhǎng)、4GDOU等9項(xiàng)指標(biāo)，進(jìn)行數(shù)據(jù)分析，得到相關(guān)較強(qiáng)的評(píng)分項(xiàng)目。

3 構(gòu)建機(jī)器學(xué)習(xí)模型預(yù)測(cè)基站流量

3.1 決策樹(shù)算法

3.1.1 決策樹(shù)思想

決策樹(shù)是一類常見(jiàn)的機(jī)器學(xué)習(xí)算法，是指對(duì)一個(gè)問(wèn)題進(jìn)行決策時(shí)，我們通過(guò)一系列判決或子決策，進(jìn)而得到最終決策。

一棵決策樹(shù)包含一個(gè)根節(jié)點(diǎn)，若干個(gè)內(nèi)部節(jié)點(diǎn)和若干個(gè)葉節(jié)點(diǎn)；葉節(jié)點(diǎn)對(duì)應(yīng)于決策結(jié)果，其它每個(gè)節(jié)點(diǎn)對(duì)應(yīng)于一個(gè)屬性測(cè)試；每個(gè)葉節(jié)點(diǎn)的路徑對(duì)應(yīng)一個(gè)判定測(cè)試序列。其基本流程遵循簡(jiǎn)單且直觀的“分而治之”策略。

決策樹(shù)學(xué)習(xí)的關(guān)鍵是如何選擇最優(yōu)劃分屬性：隨著劃分過(guò)程的不斷進(jìn)行，決策樹(shù)分支節(jié)點(diǎn)所包含樣本盡可能屬于同一類別，即節(jié)點(diǎn)的“純度”越來(lái)越高?；嶂笖?shù)反映了從某一數(shù)據(jù)集中隨機(jī)抽取兩個(gè)樣本，其類別標(biāo)記不一致的概率。因此，基尼指數(shù)越小，數(shù)據(jù)集的純度越高。CART (Classification And Regression Tree)算法是一種決策樹(shù)分類方法，使用基尼指數(shù)來(lái)選擇劃分屬性。

3.1.2 CART算法

CART算法是一種決策樹(shù)分類方法，使用基尼指數(shù)來(lái)選擇劃分屬性。CART算法的目的是使分支節(jié)點(diǎn)所包含樣本盡可能屬于同一類別，即節(jié)點(diǎn)的“純度”越來(lái)越高。具體算法如下。

假定樣本集合D中第k類樣本所占比例為：pk(k=1，2，…，|y|)，則集合D的基尼指數(shù)可表示為：

由上述公式可知，基尼指數(shù)表征隨機(jī)抽取兩個(gè)樣本，類別不一致的概率。所以最優(yōu)劃分屬性的計(jì)算，就是尋找基尼指數(shù)最小的劃分，即類別盡量一致。

表1 評(píng)分項(xiàng)目說(shuō)明

若使用屬性a來(lái)對(duì)樣本集D進(jìn)行劃分，產(chǎn)生V個(gè)分支節(jié)點(diǎn)，其基尼指數(shù)為：

則最優(yōu)劃分集為：

3.2 構(gòu)建決策樹(shù)

3.2.1 決策樹(shù)模型建立

確立算法后，構(gòu)建決策樹(shù)模型的流程如下。

(1）根據(jù)CART算法選擇最優(yōu)劃分屬性。

(2）對(duì)于不能再切分的節(jié)點(diǎn)，則將該節(jié)點(diǎn)存為“葉子節(jié)點(diǎn)”。

(3）對(duì)于可以再切分的節(jié)點(diǎn)，按照最優(yōu)劃分屬性將數(shù)據(jù)集切分成若干個(gè)子樹(shù)。

(4）對(duì)每個(gè)子樹(shù)進(jìn)行“構(gòu)建樹(shù)”。

根據(jù)9個(gè)相關(guān)變量：MR弱覆蓋比例、平均RSRP、2G高倒流時(shí)長(zhǎng)、平均站間距、2G流量、4GRRC用戶數(shù)量、4G客戶、4G累計(jì)駐留時(shí)長(zhǎng)、4GDOU，根據(jù)CART算法構(gòu)建決策樹(shù)模型。圖3為一棵決策樹(shù)的一枝子樹(shù)的構(gòu)建結(jié)果。

圖3 決策樹(shù)的一枝子樹(shù)的構(gòu)建

3.2.2 剪枝

（1）為防止模型把訓(xùn)練集自身的一些特點(diǎn)當(dāng)做所有數(shù)據(jù)都具有的一般性質(zhì)而導(dǎo)致過(guò)擬合，需要去掉一些分支降低過(guò)擬合的風(fēng)險(xiǎn)，去掉分支的這個(gè)過(guò)程即為剪枝。

（2）剪枝之后的決策樹(shù)，可作為機(jī)器學(xué)習(xí)的模型進(jìn)行試用，對(duì)測(cè)試樣本進(jìn)行預(yù)測(cè)，并統(tǒng)計(jì)誤差。

3.2.3 隨機(jī)森林

（1）森林：為保證模型的可泛化性，構(gòu)造500棵決策樹(shù)，決策結(jié)果為500棵的統(tǒng)計(jì)平均值。

（2）隨機(jī)：從總測(cè)試樣本中隨機(jī)抽取樣本集合，作為每棵樹(shù)的根節(jié)點(diǎn)樣本集。

在建立每一棵決策樹(shù)的過(guò)程中，有兩點(diǎn)需要注意——采樣與完全分裂。首先是兩個(gè)隨機(jī)采樣的過(guò)程，Random Forest對(duì)輸入的數(shù)據(jù)要進(jìn)行行、列的采樣。

對(duì)于行采樣，bootstrap方式：采用有放回的方式，也就是在采樣得到的樣本集合中，可能有重復(fù)的樣本。假設(shè)輸入樣本為N個(gè)，那么采樣的樣本也為N個(gè)。這樣使得在訓(xùn)練的時(shí)候，每一棵樹(shù)的輸入樣本都不是全部的樣本，使得相對(duì)不容易出現(xiàn)over-fitting。

注： bootstrap方式采取有放回抽樣，因此，針對(duì)N個(gè)樣本中的某一個(gè)樣本，可能不被選中，也可能被選中多次，這樣組合成為一組訓(xùn)練集（N個(gè)樣本）。

然后進(jìn)行列采樣，m個(gè)feature就是用來(lái)做決策的：從M個(gè)feature中，選擇m個(gè)(m＜＜ M)。之后就是對(duì)采樣之后的數(shù)據(jù)使用完全分裂的方式建立出決策樹(shù)，這樣決策樹(shù)的某一個(gè)葉子節(jié)點(diǎn)要么是無(wú)法繼續(xù)分裂的，要么里面的所有樣本都是指向的同一個(gè)分類。一般很多的決策樹(shù)算法都有一個(gè)重要的步驟——剪枝，但是這里不這樣干，由于之前的兩個(gè)隨機(jī)采樣的過(guò)程保證了隨機(jī)性，所以就算不剪枝，也不會(huì)出現(xiàn)過(guò)擬合。

3.3 基于決策樹(shù)的流量預(yù)測(cè)

通過(guò)構(gòu)建樹(shù)、剪枝等方式，建立基于決策樹(shù)的預(yù)測(cè)。預(yù)測(cè)是指利用機(jī)器學(xué)習(xí)建立的模型，對(duì)新入數(shù)據(jù)集進(jìn)行判決，所得到的結(jié)果即為預(yù)測(cè)結(jié)果。對(duì)于決策樹(shù)而言，就是讓數(shù)據(jù)集進(jìn)過(guò)若干次屬性判決，直至到達(dá)某一葉子節(jié)點(diǎn)，即為預(yù)測(cè)結(jié)果。

預(yù)測(cè)模型數(shù)據(jù)源及特征變量參數(shù)如下。

（1）數(shù)據(jù)：全省共78 623個(gè)4G和2G基站。

(2）數(shù)據(jù)處理：以4G基站所在經(jīng)緯度和區(qū)域類型分類，對(duì)4G和2G基站分別進(jìn)行統(tǒng)計(jì)，并去除覆蓋范圍內(nèi)站點(diǎn)數(shù)為0及其它指標(biāo)正常而流量為0的基站等異常數(shù)據(jù)。

（3）特征變量：MR弱覆蓋比例、平均RSRP、2G高倒流時(shí)長(zhǎng)、平均站間距、2G流量、4GRRC用戶數(shù)量、4G客戶、4G累計(jì)駐留時(shí)長(zhǎng)、4GDOU。

（4）設(shè)置森林樹(shù)木為500棵。

（5）樣本與測(cè)試集：選取70%數(shù)據(jù)作為訓(xùn)練集，另外30%數(shù)據(jù)作為測(cè)試集。

預(yù)測(cè)結(jié)果如圖4所示。

真實(shí)標(biāo)記若為預(yù)測(cè)值的1/2～2倍之間，則認(rèn)為預(yù)測(cè)合理。從圖中可以看到，87%的測(cè)試樣本分布在實(shí)際值的1/2倍線和2倍線之間。

3.4 交叉驗(yàn)證

我們對(duì)原始數(shù)據(jù)進(jìn)行了4次隨機(jī)抽樣，可以看到如圖5所示，大部分點(diǎn)仍然在兩條線之間。

圖4 決策樹(shù)預(yù)測(cè)結(jié)果

4 應(yīng)用情況

4.1 完成需求流量預(yù)測(cè)，并輸出價(jià)值評(píng)分

圖5 交叉驗(yàn)證輸出結(jié)果

如圖6所示，原規(guī)劃需求中的評(píng)分項(xiàng)多為人為填寫(xiě)，因此價(jià)值評(píng)分結(jié)果較高，基本達(dá)到60分以上，對(duì)規(guī)劃的價(jià)值參考意義不大。為了減少人為主觀因素對(duì)規(guī)劃站址的影響，引入機(jī)器學(xué)習(xí)算法，客觀評(píng)估規(guī)劃站點(diǎn)價(jià)值，由人工審核價(jià)值變?yōu)橹悄芫€上審核。價(jià)值審核更為客觀，準(zhǔn)確性、可靠性強(qiáng)。

在全省規(guī)劃管控平臺(tái)上，已完成基于價(jià)值的規(guī)劃需求評(píng)估算法的實(shí)現(xiàn)，并根據(jù)流量預(yù)測(cè)進(jìn)行價(jià)值的評(píng)分。系統(tǒng)根據(jù)得分，自動(dòng)完成需求的價(jià)值判決，將價(jià)值評(píng)分低于60分的需求，在需求提出后，不納入預(yù)批復(fù)環(huán)節(jié)，將自動(dòng)進(jìn)入需求資源庫(kù)，確保規(guī)劃調(diào)整資源的效益。通過(guò)流量預(yù)測(cè)得到的價(jià)值評(píng)分，目前需求庫(kù)中共有2550個(gè)需求分值小于60分。

4.2 提高規(guī)劃需求評(píng)分的精準(zhǔn)性，確保網(wǎng)絡(luò)質(zhì)量

全省現(xiàn)網(wǎng)宏站日均流量18.1 GB，規(guī)劃需求價(jià)值評(píng)估體系落地后，新增宏站日均流量達(dá)27.9 GB，每日高出9.8 GB。說(shuō)明基站建設(shè)在更有客戶需求的地點(diǎn)，規(guī)劃點(diǎn)位精準(zhǔn)，有效提升了網(wǎng)絡(luò)質(zhì)量。

4.3 經(jīng)濟(jì)效益

規(guī)劃需求價(jià)值評(píng)估體系落地后，新增宏站日均流量每日將高出9.8 GB，按每M流量收入0.01元，業(yè)務(wù)收入無(wú)線再分配系數(shù)為38%，若每年新增4G基站6 000個(gè)，則預(yù)計(jì)每年將新增效益：

（27.9-18.1)×1 024×365×0.38×0.01×6 000=8 351.29萬(wàn)

針對(duì)系統(tǒng)投入后3季度已入網(wǎng)的3 357個(gè)基站進(jìn)行流量統(tǒng)計(jì)，較去年同期入網(wǎng)基站，日均增加9.8 GB，則3季度較去年同期新增效益：

9.8 ×1 024×0.01×0.38×3 357×92=1 177.73 萬(wàn)

4.4 社會(huì)效益

基于大數(shù)據(jù)和機(jī)器學(xué)習(xí)的規(guī)劃需求價(jià)值評(píng)估體系，有效解決了公司投資效益和規(guī)劃需求價(jià)值之間的矛盾，針對(duì)全省的上萬(wàn)個(gè)規(guī)劃需求，通過(guò)引入大數(shù)據(jù)分析和機(jī)器學(xué)習(xí)算法，實(shí)現(xiàn)規(guī)劃站點(diǎn)的流量預(yù)估和價(jià)值評(píng)分，科學(xué)、合理的選取預(yù)期價(jià)值較高的規(guī)劃需求進(jìn)行解決，實(shí)現(xiàn)了以價(jià)值為導(dǎo)向，在滿足業(yè)務(wù)發(fā)展的同時(shí)，確保了投資收益的最大化。在實(shí)際應(yīng)用中，2017年3季度入網(wǎng)基站的日均流量，較去年同期提升18%；此外，本項(xiàng)目的流量預(yù)估和價(jià)值評(píng)分結(jié)果獲得各分公司相關(guān)部分的高度認(rèn)可，協(xié)助了各分公司規(guī)劃部門更加高效的對(duì)LTE規(guī)劃需求、規(guī)劃變更目標(biāo)進(jìn)行價(jià)值判決。

精確的規(guī)劃價(jià)值預(yù)估，為打造良好的LTE網(wǎng)絡(luò)規(guī)劃質(zhì)量奠定了堅(jiān)實(shí)的基礎(chǔ)，為陜西建設(shè)精品4G網(wǎng)絡(luò)創(chuàng)造了良好的條件，陜西4G網(wǎng)絡(luò)建設(shè)、運(yùn)行質(zhì)量顯著提升；用戶4G業(yè)務(wù)體驗(yàn)良好，改善了用戶對(duì)4G網(wǎng)絡(luò)的感知度，為陜西移動(dòng)4G品牌創(chuàng)立良好口碑打下堅(jiān)實(shí)基礎(chǔ)。

圖6 全省規(guī)劃管控平臺(tái)規(guī)劃需求評(píng)估

5 結(jié)論

本文從網(wǎng)絡(luò)覆蓋結(jié)構(gòu)、容量、客戶價(jià)值、潛在價(jià)值需求等多方面切入，基于大數(shù)據(jù)分析，并引入機(jī)器學(xué)習(xí)算法，進(jìn)行規(guī)劃站址的流量預(yù)測(cè)，實(shí)現(xiàn)基于價(jià)值的規(guī)劃評(píng)估體系。本文使用陜西全省共78 623個(gè)4G和2G基站的基礎(chǔ)數(shù)據(jù)，通過(guò)數(shù)據(jù)清洗和相關(guān)性研究，以現(xiàn)網(wǎng)指標(biāo)及數(shù)據(jù)構(gòu)建機(jī)器學(xué)習(xí)模型，采用“決策樹(shù)”算法作為預(yù)測(cè)基站價(jià)值（流量）算法。并對(duì)算法進(jìn)行驗(yàn)證分析，準(zhǔn)確率達(dá)到87%。該研究目前已全面投入應(yīng)用，為規(guī)劃需求價(jià)值評(píng)估提供科學(xué)合理的評(píng)分預(yù)測(cè)，為規(guī)劃投資效益參考提供有力的評(píng)估依據(jù)。

（1）本評(píng)估方法準(zhǔn)確率高，經(jīng)過(guò)大范圍驗(yàn)證可達(dá)到87%，比傳統(tǒng)方法至少提升2倍。同時(shí)，通過(guò)機(jī)器學(xué)習(xí)技術(shù)對(duì)現(xiàn)網(wǎng)不同場(chǎng)景、地域的小區(qū)相關(guān)數(shù)據(jù)進(jìn)行學(xué)習(xí)，找出不同區(qū)域、場(chǎng)景的實(shí)際特征，進(jìn)而針對(duì)不同環(huán)境下的小區(qū)得出一個(gè)分析模型，可完全真實(shí)反映實(shí)際的價(jià)值情況。

（2）該評(píng)估方法非?？陀^真實(shí)，中間過(guò)程不會(huì)涉及到人工參與，對(duì)于規(guī)劃價(jià)值評(píng)判起到標(biāo)尺作用，可以有效把控規(guī)劃評(píng)估的關(guān)鍵環(huán)節(jié)。

（3）數(shù)據(jù)處理的效率高，通過(guò)自動(dòng)的方式從不同系統(tǒng)接入數(shù)據(jù)，通過(guò)機(jī)器學(xué)習(xí)科學(xué)建模，并且自動(dòng)修正，進(jìn)而得到客觀真實(shí)結(jié)果?？梢杂行p少規(guī)劃評(píng)估工作的周期。

（4）可以有效的減少人工環(huán)節(jié)，降低工作量，節(jié)省人力成本。

[1] 周志華. 機(jī)器學(xué)習(xí)[M]. 北京: 清華大學(xué)出版社, 2016.

[2] Stefania Sesia, Issam Toufik, etc. LTE-The UMTS Long Term Evolution:From Theory to Practice[M]. US: Wiley, 2009.

[3] Peter Harrington. Machine Learning in Action[M]. US: Manning Pubns Co,2012.

[4] Simon Haykin. 神經(jīng)網(wǎng)絡(luò)與機(jī)器學(xué)習(xí)[M]. 北京: 機(jī)械工業(yè)出版社,2014.

[5] Daniel，D., Gutierrez. 機(jī)器學(xué)習(xí)與數(shù)據(jù)科學(xué)—基于R的統(tǒng)計(jì)學(xué)習(xí)方法[M]. 北京: 人民郵電出版社, 2015.

[6] LTE無(wú)線網(wǎng)絡(luò)規(guī)劃與設(shè)計(jì)編委會(huì). LTE無(wú)線網(wǎng)絡(luò)規(guī)劃與設(shè)計(jì)[M].北京: 人民郵電出版社, 2012.