中国正处于4G社会向5G社会转型的关键时期,国家发展战略聚焦于智慧城市构建,加快5G用户增长与城市发展深度融合,通过信息化手段解决城镇化过程中带来的问题,而5G网络的大规模连接、高速率传输能力正是智慧城市建设的有力支撑。但在5G信号基站、5G移动设备设施不断完善升级的状况下,中国移动设备的5G网络使用率仍然偏低,还未达到中国智慧城市建设的5G网络大规模连接条件。基于此发展现状,本文使用移动官方共计140000个样本的真实移动用户数据集,使用机器学习算法对移动用户数据集进行分类识别研究,看能否通过算法对大量用户数据进行建模,帮助识别出潜在的5G用户而对其进行精准营销,提高中国5G网络的使用率与大规模连接,对于中国智慧城市建设与5G网络商业化具有重要意义。本文先对原始数据进行预处理,包括缺失值处理、数据分箱、特征缩放以及数据结构优化。然后,采用F1评分作为算法分类识别的评价指标,介绍K最近邻、XGBoost、CatBoost、LightGBM、MLP等算法的原理,并测试各类算法对SMOTE过采样处理前后的数据的识别效果,发现原始的移动用户不平衡数据集经过SMOTE过采样处理后,各类算法对5G用户的识别性能明显提高,其中优化后的XGBoost算法加权F1评分为0.8801,明显优于KNN、随机森林等单一算法模型。最后,利用网格搜索调参和Stacking集成学习等方法优化XGBoost算法,得到最终的5G潜在用户识别模型,其识别加权F1评分为0.8851。对其识别结果进行分析,得出以下几点结论:（1）针对移动用户不平衡数据集,SMOTE过采样技术能够优化其数据结构,显著提升算法的识别性能。（2）在5G潜在用户识别问题上,XGBoost算法的分类识别性能优于K最近邻、逻辑回归、随机森林、GBDT、SVM等算法,XGBoost算法在识别准确率及识别速度上均有较大提升。（3）XGBoost算法的网格搜索调参优化以及Stacking集成学习优化能在较大程度上提高XGBoost算法对5G用户的识别表现。（4）基于XGBoost优化算法的Stacking集成模型在5G潜在用户识别问题上,加权F1评分为0.8851,5G用户类的识别F1评分为0.7233,召回率为0.7216,识别效果较为不错,能够作为5G潜在用户的识别模型。