CN108596252A

CN108596252A - 基于复杂气象大数据的户外通信设施故障预测分析方法

Info

Publication number: CN108596252A
Application number: CN201810378383.4A
Authority: CN
Inventors: 王禹; 柏杏丽; 郭小波; 陈素霞; 焦飒镧; 黄全振; 周岩; 刘珺; 王淼
Original assignee: Henan Institute of Engineering
Current assignee: Henan Institute of Engineering
Priority date: 2018-04-25
Filing date: 2018-04-25
Publication date: 2018-09-28

Abstract

本发明涉及一种基于复杂气象大数据的户外通信设施故障预测分析方法，针对通信服务运营商网络中心的户外设施或站点故障告警事件具有离散型、实时性等特点，难以提前预测恶劣气候带来的故障影响，通过对目标地理范围实施区域细分，提取区域内通信设施的全部历史故障信息，随机提取区域内通信设施的部分非故障运行信息，将故障与非故障信息整合之后从网络数据源获取对应的复杂气象指标数据，据此建立针对目标区域的基于支持向量机的通信设施故障预测模型；本发明能够较为精准的完成针对某一区域的通信设施故障发生预测，为通信网络管理者保障更为充分的应急准备。

Description

基于复杂气象大数据的户外通信设施故障预测分析方法

技术领域

本发明涉及一种面向户外通信设施故障的预测分析方法，尤其是基于复杂气象大数据的预测与分析方法。

背景技术

当前，通信服务运营商网络中心的户外设施或站点故障告警事件具有离散型、实时性等特点。由于基础设施(如缆线、制冷设备、板材等)的陈旧部署，突发性的恶劣气候影响已经成为导致户外通信设施或站点故障的最为重要的因素之一。此种情况下，通过近24至48小时的天气预告实施人工判定及应急准备，难以准确、及时地对潜在可能发生的设施故障进行预测。

考虑到户外通信设施历史故障信息、正常运转信息、对应复杂气象信息的海量特性，需要利用大数据采集、预处理和分析技术。故障和非故障记录对应的复杂气象信息首先需要进行网络数据爬取，之后对数据进行清洗和预处理，最后利用基于支持向量机预测分析模型实施判定。支持向量机(Support Vector Machine,SVM)是在统计学习理论基础上发展而来的通用机器学习方法，通过事先选择的非线性映射将输入向量映射至高维空间，从而构造最优分类超平面，对问题输入予以精确分类。

发明内容

本发明为了解决通信基础设施及站点易受恶劣气候影响而难以提前准确预测的问题，提出基于复杂气象大数据的通信设施故障预测分析方法。通过对通信设施历史故障信息及其对应复杂气候条件的获取，基于RBF核函数建立非线性支持向量机模型，以实现对现有通信设施受气候影响产生的故障进行精确、可信的预警。

本发明所采用的技术方案：

1、一种基于复杂气象大数据的通信设施故障预测分析方法，其特征是：包括下述步骤：

1)在已有行政区划分的基础上，对目标地理范围实施更进一步的区域细分，将分解后的第i个区域记为RGN_i；

2)针对既定第i区域内通信设施的故障信息收集和提取，将故障记录集合记为INFO-CF_i；

3)针对既定第i区域内通信设施的非故障信息提取，将非故障记录集合记为INFO-CN_i；

4)获取INFO-CF_i和INFO-CN_i中事件对应的多维气象样本，记为SP-WT_i；

5)利用多维气象样本集{SP-WT₁,SP-WT₂,...,SP-WT_n}，分别建立针对每一区域的基于复杂气象大数据的通信设施故障预测模型；

6)依据某一区域对应的通信设施故障预测模型，对该区域的通信设施实施复杂气候条件下的故障预测。

步骤1)中，为了预测某一区域通信设施及其所属站点受本地气象条件的影响，考虑到行政区范围可能偏大，涵盖多种截然不同的地貌或气候特征，应当以目标所在的行政区为基本单位，融合地理地貌差异的综合影响实施区域细化，精准定位该目标所在区域为RGN_i。

步骤2)中，为了构建通信设施故障预测模型，需要从已有的故障数据库中收集并提取目标区域RGN_i内通信设施相关的全部故障记录，记为INFO-CF_i。

步骤3)中，在提取通信设施故障信息之后，针对该目标区域RGN_i内的所有通信站点，多次并随机地选择设施站点和时间，生成对应的通信设施正常运行记录集，记为INFO-CN_i。

步骤4)中，合并INFO-CF_i记录和INFO-CN_i记录为INFO_i，将其中每个事件对应的彼时气象数据从气象网进行获取，获得每个事件对应的多维气象数据样本，包括温度、湿度、风向、风力、降雨量等，如表1所示。样本获取的方式包括基于Api的远程查询，以及基于网络爬虫的批量爬取。

表1.气象样本指标

步骤5)中，首先需要进行显著性检验。

为了确定具体采用何种方法来实施气象指标的差异显著性检验，需要考察气象样本的分布情况。运用SPSS、SAS等工具发起对样本数据正态分布的检验，从而判断哪些指标符合正态分布。针对违背正态分布的气象指标，采用非参数型显著性检验方法；针对符合正态分布的气象指标，采用参数T型显著性检验方法，从而剔除无效指标。

步骤5)中，需要进行多重共线性分析。

为了避免由于线性回归模型中变量之间存在的精确相关关系或高度相关关系而导致预测模型估计失真，因此需要对上述气象指标实施多重共线性分析。计算每项指标的方差膨胀因子(Variance Inflation Factor，VIF)，VIF越大则表示共线性越严重。设定若0<VIF<10不存在多重共线性；若10≤VIF<100，存在较强的多重共线性；若VIF≥100，则存在严重的多重共线性。

步骤5)中，最后建立基于支持向量机的预测模型。

经过面向不同区域样本的显著性检验和多重共线性分析，根据既定区域内的气象指标，建立基于支持向量机的通信故障预测模型，并且输入的复杂气象指标与通信设施是否发生故障属于一种非线性关系。

为了克服设施故障预测面临的非线性问题，需要通过非线性变换进行映射，因此引入核函数，常用核函数包括线性核函数、多项式核函数、径向基核函数、Sigmoid核函数和字符串核函数。

在选定某一核函数的基础上，求解得到最终的决策函数，即非线性支持向量机模型。根据建立的故障预测模型，用户输入目标区域某一未来时间对应的多维气象指标，根据决策函数f(x)预测该区域内通信设施发生故障的可能性。

本发明的有益积极效果：

1、本发明鉴于户外通信设施的裸露现状，极易遭受恶劣气候条件的影响，基于复杂气象大数据实施故障预测能有效应对未来气象条件对户外通信设施造成的不利影响。

2、本发明能够有效增强现有通信领域中故障监控系统普遍缺乏的前瞻性预测能力，为通信网络管理者提供更为充足的应急准备时间。

3、本发明利用海量的历史故障记录及其对应时间段的复杂气象大数据，基于支持向量机方法实施预测分析，能够较为精准的完成针对某一区域的故障发生预测。

4、本发明提出的基于复杂气象大数据的户外通信设施故障预测分析方法，对于其他领域研究如何有效降低突发性恶劣气候影响有着非常重要的理论价值和现实意义。

附图说明

图1为基于复杂气象大数据的户外通信设施故障预测分析流程图；

图2为故障预测系统预警效果图；

具体实施方式

下面结合说明书附图对本发明进行详细说明：图1中，通信设施主要包括基站线路、电池板、继电器等装置和设备，故障报警系统为通信服务提供商也已建好的实时性报警系统，管理者利用报警系统仅能获知当前发生的故障事件，无法做到事前预测。

实施例：本发明基于复杂气象大数据的户外通信设施故障预测分析方法，具体包括下述步骤：

步骤1：本发明旨在研究复杂气象条件下通信设施发生故障的可能性，而不同地理环境下遭受气象影响不尽相同，因此首先需在已有行政区划分的基础上，对目标地理范围实施更进一步的区域细分，例如将分解后的5个区域集合记为{RGN₁,RGN₂,…,RGN₅}，则第2个区域记为RGN₂；

步骤2：根据故障报警系统历史数据，针对既定的RGN₂区域内通信设施的全部故障信息进行收集和提取，将故障记录集合记为INFO-CF₂；

步骤3：根据故障报警系统历史数据，针对既定的RGN₂区域内通信设施的非故障信息进行提取，将非故障记录集合记为INFO-CN₂。非故障信息提取采用多次、随机选择模式，即通信设施站点和时间均为随机，从而生成合理的通信设施正常运行记录集；

步骤4：整合既定的RGN₂区域内INFO-CF₂和INFO-CN₂，对于其中全部事件，从网络开放气象数据源获取对应的多维气象样本，记为SP-WT₂；

步骤5：利用既定的RGN₂区域对应的多维气象样本集SP-WT₂，建立针对RGN₂区域的基于复杂气象大数据的通信设施故障预测模型；

步骤6：重复上述步骤1至步骤5，获得区域集合{RGN₁,RGN₂,…,RGN₅}对应的多维气象样本集{SP-WT₁,SP-WT₂,...,SP-WT₅}，从而建立分别对应5个区域的通信设施故障预测模型组，能够服务于每个区域的故障预测。

步骤7：通信设施管理者将目标区域未来待测时间段内的气象数据输入故障预测模型，经过运算可以获得故障发生的预测判定结果，用以辅助决策，部署应急预案。预测结果简略示意图如图2所示。

下面详细说明步骤4和步骤5所包含的相关内容：

(一)步骤4：

气象数据源的选择多样，主要包括中国气象科学数据共享服务网(http://www.cma.gov.cn/2011qxfw/2011qsjgx/)，历史天气网(http://lishi.tianqi.com/)，欧洲气象中心资料(http://www.ecmwf.int/)，以及https://www.wunderground.com/history/和https://en.tutiempo.net/climate等网站在内的可以精确到小时的气象数据。原始气象数据采集和生成的基本指标主要包括温度、湿度、风向、风力、降雨量等，如表1所示。除此之外，极端恶劣天气的影响尤为显著，其特殊指标包括雷电、暴雪、暴雨、沙尘暴等，如表2所示。

表1.气象样本基本指标

表2.气象样本特殊指标

气象指标数据的获取方式依据数据源的提供方式不同而有所区别，主要包括基于开放API的远程查询，以及基于网络爬虫的批量爬取。上述基本指标中，在不同的季节或月份，温度、湿度和相对湿度严重影响到制冷系统的性能，风向、风力和降雨量会干扰室外线缆和高位设施的连接，湿度和压强则会对特定装置的耐久度造成持续损伤，因此上述气象指标易对通信设施及装置产生复合性、综合性的破坏影响。

(二)步骤五：

第一步，显著性检验。为了确定具体采用何种方法来实施气象指标的显著性检验，需要考察气象样本的分布情况。运用SPSS(Statistical Product and ServiceSolutions)软件对既定的RGN₂区域对应的样本数据SP-WT₂实施正态分布的检验，从而判断哪些指标符合正态分布。针对不满足正态分布的气象指标数据，采用非参数型显著性检验方法；针对符合正态分布的气象指标，采用参数T型显著性检验方法，从而剔除无效指标。

第二步，多重共线性分析。为了避免由于线性回归模型中变量之间存在的精确相关关系或高度相关关系而导致预测模型估计失真，因此需要对上述筛选后的既定的RGN₂区域内的气象指标实施多重共线性分析。计算每项指标的方差膨胀因子(VarianceInflation Factor，VIF)，VIF越大则表示共线性越严重。设定如果0<VIF<10则不存在多重共线性；如果10≤VIF<100，则存在较强的多重共线性；若VIF≥100，则存在严重的多重共线性。

第三步，建立基于支持向量机的预测模型。例如，经过面向RGN₂区域样本的显著性检验和多重共线性分析，获得包括时间、温度、湿度、风力、风向、降雨量、雷电、暴雨、暴雪、霜冻、冰雹在内的11项气象指标，建立基于支持向量机的通信故障预测模型。考虑到输入的气象数据，同通信设施的生成环境，生成批次，器件特性等要素不相关，受到通信设施所在地域的经纬度、地貌、海拔、城市发展现状等要素的多重影响，因此输入的复杂气象指标与通信设施是否发生故障属于一种非线性关系。

支持向量机中，使用下面方程(1)表示分类超平面：

H:ω·x+b＝0 (1)

为了克服设施故障预测面临的非线性问题，通过非线性变换进行映射，因此引入径向基核函数RBF实施非线性映射处理，RBF核函数为公式(2)：

K(x_i,x_j)＝e-γ||x_i-x_j||2,γ＞0 (2)

在RBF核函数的基础上，求解获得非线性支持向量机模型，其最终的决策函数为公式(3)，其中sgn(·)表示符号函数，b为样本的分类阈值。

Claims

1.一种基于复杂气象大数据的通信设施故障预测分析方法，其特征是：包括下述步骤：

5)利用多维气象样本集{SP-WT₁,SP-WT₂,...,SP-WT_n}，建立基于复杂气象大数据的通信设施故障预测模型；

6)依据通信设施故障预测模型，对某一区域的通信设施实施复杂气候条件下的故障预测。

2.根据权利要求1所述的基于复杂气象大数据的通信设施故障预测分析方法，其特征是：步骤1)中，为了预测某一通信设施及其所属站点受本地气象条件的影响，考虑到行政区范围可能偏大，涵盖多种截然不同的地貌或气候特征，应当以目标所在的行政区为基本单位，融合地理地貌差异的综合影响实施区域细化，精准定位该目标所在区域为RGN_i。

3.根据权利要求1所述的基于复杂气象大数据的通信设施故障预测分析方法，其特征是：步骤2)中，为了构建通信设施故障预测模型，需要从已有的故障数据库中收集并提取目标区域RGN_i内通信设施相关的全部故障记录，记为INFO-CF_i。

4.根据权利要求1所述的基于复杂气象大数据的通信设施故障预测分析方法，其特征是：步骤3)中，在提取通信设施故障信息之后，针对该目标区域RGN_i内的所有通信站点，多次并随机地选择设施站点和时间，生成对应的通信设施正常运行记录集，记为INFO-CN_i。

5.根据权利要求1所述的基于复杂气象大数据的通信设施故障预测分析方法，其特征是：步骤4)中，合并INFO-CF_i记录和INFO-CN_i记录为INFO_i，将其中每个事件对应的彼时气象数据从气象网进行获取，获得每个事件对应的多维气象数据样本，包括温度、湿度、风向、风力、降雨量等，如表1所示；样本获取的方式包括基于Api的远程查询，以及基于网络爬虫的批量爬取。

表1.气象样本指标

6.根据权利要求1所述的基于复杂气象大数据的通信设施故障预测分析方法，其特征是：步骤5)中，首先需要进行显著性检验：

为了确定具体采用何种方法来实施气象指标的差异显著性检验，需要考察气象样本的分布情况；运用SPSS、SAS等工具发起对样本数据正态分布的检验，从而判断哪些指标符合正态分布；针对违背正态分布的气象指标，采用非参数型显著性检验方法；针对符合正态分布的气象指标，采用参数T型显著性检验方法，从而剔除无效指标；

步骤5)中，需要进行多重共线性分析：

为了避免由于线性回归模型中变量之间存在的精确相关关系或高度相关关系而导致预测模型估计失真，因此需要对上述气象指标实施多重共线性分析；计算每项指标的方差膨胀因子(Variance Inflation Factor，VIF)，VIF越大则表示共线性越严重；设定若0<VIF<10不存在多重共线性；若10≤VIF<100，存在较强的多重共线性；若VIF≥100，则存在严重的多重共线性。

步骤5)中，最后建立基于支持向量机的预测模型：

经过面向不同区域样本的显著性检验和多重共线性分析，根据既定区域内的9个气象指标，建立基于支持向量机的通信故障预测模型；考虑到气象条件受经纬度、地貌、海拔、城市发展现状等多重影响，因此输入的复杂气象指标与通信设施是否发生故障属于一种非线性关系；

由此，引入RBF核函数实施非线性映射处理，RBF核函数为：

K(x_i,x_j)＝e-γ||x_i-x_j||2,γ＞0

在RBF核函数的基础上，获得非线性支持向量机模型，其决策函数为：

根据建立的故障预测模型，用户输入目标区域某一未来时间对应的多维气象指标，根据决策函数f(x)预测该区域内通信设施发生故障的可能性。