《2018年上半年中国移动互联网行业发展分析报告》指出,我国2018年上半年手机终端业务日活跃用户数超过7000万,月活跃用户数超过2亿。使用移动数据业务上网的用户占比从2017年7月份的23.7%上升到2018年6月份的28.2%,半年增长近6%,而且这一数字还在持续扩大。随着用户数量的增长,在运营商投资通信网络建设成本一定的情况下,充分利用现有通信网络的资源提升用户移动数据业务吞吐率,对满足用户上网体验至关重要。参数优化是网络侧优化吞吐率的主要方法。受现网配置参数的限制,网络中很难有高质量的差异化数据去喂“机器学习”算法;同时,吞吐率还受话务模型,网络质量等因素的影响,所以在网络侧通过建模优化吞吐率比较困难,网络侧只能针对某些异常小区进行定位,达不到全网调优的目的。本文采用了贝叶斯神经网络算法,对影响移动数据业务吞吐率的因子进行学习,识别出关键因子并建立了一个优化模型,该优化模型通过调整手机终端上报的RANK等级达到提升吞吐率的目的。该优化模型具有充分利用网络资源,实现原理简单,适用范围广泛的优点。本文完成的主要工作有以下三个方面:1.通过构建测试环境,编写测试用例模拟现网情况,采集大量数据样本。2.建立基于贝叶斯神经网络算法的优化模型。3.验证模型的正确性,同时将模型应用于手机终端系统中。实验结果表明,在部分试验场景下,某款终端芯片RANK2上报比例提升10%,移动数据业务平均吞吐率提升2.8%。该实验结果证明了通过机器学习的方法可以有效提升移动数据业务吞吐率,进而可以推广到全网调优数据业务吞吐率。