大规模三维多输入多输出(3D MIMO)技术是5G的关键技术之一,该技术在传统的大规模2D MIMO之上引入信号传播的俯仰角,从而充分地利用水平与垂直维度,增加了调度和资源分配的自由度,极大地提高了系统容量。在大规模3D MIMO系统中,波束成形可进一步改善系统性能,形成高增益波束,减少用户终端之间的信号干扰,从而建立可靠的链路,提高系统的吞吐量。传统上,波束分配被看作一个优化问题,但很难实时获得最优解。随着人工智能技术的兴起,机器学习成为最有前途的技术之一。为了在短时间内更好地优化大规模3D MIMO系统的波束分配,本文提出一种基于机器学习的波束分配算法。该算法吸收了监督学习中的K近邻算法(k-NN)的思想,以用户终端的位置信息作为特征向量,以生成的波束所对应的预编码码字索引为类,构造k-NN多分类器。当新的用户设备接入时,基站根据k-NN多分类器的决策结果为它们选择合适的码字并进行预编码,形成相应的服务波束。仿真结果表明,系统初始化过程中收集到的用户位置信息越多,基于机器学习的波束分配算法的性能就越好;同时,随着发射信噪比的增加,系统的平均可达和速率不断增加,且趋近于穷举搜索法的结果。