机器学习(ML)技术依赖于从蜂窝网络生成的数据。与其它优化技术相比具有优势,因为它可以学习难以解析出来的系统的隐藏模式和结构。由于蜂窝网络总是生成大量数据,例如信道矩阵,SNR和存储在信道状态信息(CSI)中的其它信息,因此获取数据很容易。ML可以利用这些已使用和未使用的数据来增强网络性能,包括切换优化问题。同样,基于ML的方法可以利用历史数据提前了解和预测网络参数,包括停留时间和基站(BS)流量,从而可以主动优化网络性能和用户QoS。本文介绍了超密集网络(UDN)中使用的基于ML的最新切换管理和切换模型。