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：随着4G/5G网络结构问题日益复杂，传统的网络结构识别模型面临着样本数据量不足和鲁棒性差的问题。提出一个基于TA识别覆盖特征判断网络结构问题的模型，它利用时间提前(TA)偏离因子模型，结合梯度提升决策树(GBDT)算法对训练样本数据进行特征提取，迭代优化损失函数以增强模型算法的预测精确度，为网络结构问题识别提供了一种新方法。
关键字：GBDT算法;TA偏离因子;机器学习;结构识别
doi：10.12045/j.issn.1007-3043.2026.02.008
概述
基站数量的急剧增长在不断提升网络信号覆盖的同时，使网络结构问题日益凸显，如超高站带来的越区覆盖、塔下黑等问题，超近站引起的重叠覆盖、干扰等问题，都直接影响用户的网络感知体验。因此，研发高效、精确识别并解决这些网络结构问题的方法显得尤为迫切和重要。在此背景下，本文提出了一个基于TA识别覆盖特征判断网络结构问题的模型。
