La red no terrestre (NTN) es una red que utiliza recursos de radiofrecuencia (RF) montados en satélites e incluye redes de comunicaciones basadas en satélites, sistemas de plataformas de gran altitud (HAPS) y redes aire-tierra. La quinta generación (5G) y la NTN pueden ser cruciales para utilizar la infraestructura de comunicaciones y proporcionar servicios 5G en el futuro, en cualquier momento y en cualquier lugar. Basándose en el resultado del estudio Rel-16, el Proyecto de Asociación de Tercera Generación (3GPP) decidió iniciar un elemento de trabajo en una NTN en 5G nueva radio (NR) Rel-17, y el enfoque del estudio se centró en los procedimientos de gestión de movilidad, debido a los movimientos de las plataformas NTN; especialmente, los satélites de órbita terrestre baja (LEO). Se discutieron mejoras en la transferencia para abordar la transferencia frecuente debido al rápido movimiento de los satélites. Por lo tanto, el principal problema de la transferencia en los sistemas de satélites LEO era la tormenta de señalización creada al transferir todo el equipo de usuario (UE) en una celda a una nueva celda, porque cuando el UE cruza el límite entre la celda vecina de un satélite, se produce una transferencia intra-satélite o de celda; por lo tanto, se espera que todos los usuarios en una celda experimenten un cambio de celda debido a la transferencia cada pocos segundos. Además, la ubicación del UE no es fácil de definir debido a situaciones de movimiento de celda/haz. En este estudio, proponemos soluciones basadas en aprendizaje automático para decisiones de transferencia en redes no terrestres para transferencias de celda o transferencias intra-satélite para reducir las tormentas de señalización durante las transferencias donde las solicitudes de transferencia serán ejecutadas por usuarios agrupados. Primero, se generó el conjunto de datos mediante el simulador que simula la comunicación entre usuarios y satélites. En segundo lugar, se preprocesaron los datos, y también se utilizó la técnica de creación de características para crear la característica de distancia utilizando la fórmula de Haversine, y luego se aplicaron algoritmos de agrupamiento y clasificación. Los resultados experimentales muestran que la distancia entre un usuario y el centro de su celda es un parámetro importante para las decisiones de transferencia en NTN, y el bosque aleatorio supera a todos los modelos con una precisión más alta del 99% junto con un mejor puntaje F1 de 0,9961.