相较于第四代移动通信系统(4G),第五代移动通信系统(5G)和Beyond 5G提出了更加严格的服务性能要求,但同时也提供了更多的服务场景。如果5G网络的服务性能达不到相应的标准,将可能导致某些服务无法正常使用,对终端用户的服务产生极大的影响。其中,可靠性作为网络服务质量的重要指标,其研究的意义显得尤为重要。随着智能信息化时代的到来,人工智能将对蜂窝网络系统的发展起着重大的推动作用。下一代蜂窝网络可以借助具有海量数据处理能力的机器学习算法来进行预测推理,从而更好地为终端用户的服务质量提供保障。考虑到贝叶斯网络在不确定性问题上可以进行高效的因果推理,论文采用这种机器学习方法来对模拟的蜂窝网络数据进行学习,从而得到一个以吞吐量为服务可靠性指标的预测模型。论文主要考虑了当前服务基站和考虑基站切换时这两种情形下的服务可靠性的建模预测。针对当前服务基站的网络可靠性预测问题,论文首先构建了用于参数产生的蜂窝网络模型,其次使用了贝叶斯网络的方法对蜂窝网络数据进行表示、参数学习及推理预测。在参数的设计过程中,基站的负载、用户与基站的距离及用户与基站之间的传播参数均会对用户的接收信号与干扰加噪声比(Signal to Interference plus Noise Ratio,SINR)产生一定的影响。仿真结果显示,在基站负载较低、距离用户近及传播环境中存在少量阴影时,网络服务可靠性预测为高的状态概率可达到75%。对于考虑切换基站时的网络可靠性预测问题,论文做了以下几个工作。首先论文使用的切换指标是SINR,并且对当前采样点SINR值进行了平滑操作用以防止连续采样点值的剧烈波动;其次论文采用了连续多个点的SINR值大小来判断基站切换点;最后,论文在贝叶斯网络的学习阶段采用了一种GTT(Greedy Thick Thinning)结构学习算法,该贪婪算法可以获取最贴切蜂窝网络各参数之间关系的贝叶斯网络结构。在贝叶斯网络结构学习后,即得到服务可靠性预测模型。仿真结果显示,不管是正向的预测推理还是反向的诊断推理,该模型对网络服务可靠性的推理结果均相对理想。因此,将贝叶斯网络用于蜂窝网络的可靠性推理对网络服务性能的提升及网络自动化的推进具有十分重要的意义。