CN109150564A - 一种用于小区故障告警的预测方法及装置 - Google Patents
一种用于小区故障告警的预测方法及装置 Download PDFInfo
- Publication number
- CN109150564A CN109150564A CN201710464555.5A CN201710464555A CN109150564A CN 109150564 A CN109150564 A CN 109150564A CN 201710464555 A CN201710464555 A CN 201710464555A CN 109150564 A CN109150564 A CN 109150564A
- Authority
- CN
- China
- Prior art keywords
- target
- target cell
- multiple performance
- input parameter
- performance indicator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明的实施例公开了一种用于小区故障告警的预测方法及装置,该方法包括获取与目标小区相关的多个性能指标,并对所述多个性能指标进行预处理,得到目标输入参数;将所述目标输入参数作为预设模型的输入参数,通过所述预设模型预测是否存在影响所述目标小区的网络连接服务的目标故障。该方法通过训练的预设模型对性能指标的内涵进行抽象,拟合发生影响目标小区内网络连接服务的告警的数据特征,从而通过性能指标提前预测是否发生影响目标小区内网络连接服务的告警。进一步地,能够根据预设模型的预测结果,在发生影响目标小区内网络连接服务的告警之前,对目标小区的网络进行故障排查,保证在用户感知这一告警对应的故障之前排除该故障。
Description
技术领域
本发明涉及机器学习技术领域,尤其是涉及一种用于小区故障告警的预测方法及装置。
背景技术
当属于某个小区的通信设备出现异常情况后,会出现告警,相关工作人员根据告警的重要程度进行人工干预消除该告警,从而恢复该小区的正常工作状态。例如,当出现用户面承载链路的告警时,可能的原因包括:没有配置用户面承载对端路由;该用户面承载所在单板硬件故障;用户面承载链路底层链路故障;证书失效;本段启用了过滤功能导致用户面承载链路检测失败;网络或者对端设备配置不完整导致用户面承载链路检测失败。工作人员根据对应于每一告警可能的原因进行故障排查,从而消除该告警。然而,当LTE小区出现了影响用户使用的告警时,在当前小区使用网络连接服务的用户的使用感知也受到了影响。
在实现本发明实施例的过程中,发明人发现现有的对小区告警的处理属于事后处理,无法对小区告警进行提前预测,从而在当用户感知这一故障之前进行故障排查。
发明内容
本发明所要解决的技术问题是如何解决现有的对小区告警的处理属于事后处理,无法对小区告警进行提前预测,从而在当用户感知这一故障之前进行故障排查的问题。
针对以上技术问题,本发明的实施例提供了一种用于小区故障告警的预测方法,包括:
获取与目标小区相关的多个性能指标,并对所述多个性能指标进行预处理,得到目标输入参数;
将所述目标输入参数作为预设模型的输入参数,通过所述预设模型预测是否存在影响所述目标小区的网络连接服务的目标故障;
其中,所述预设模型根据与目标小区相关的多个性能指标、以及对应于多个性能指标的告警码信息,进行模型训练得到。
可选地,所述预设模型的模型训练包括:
获取训练样本,对所述训练样本中的所述多个性能指标进行所述预处理,得到样本输入参数,并判断所述训练样本中的告警码信息是否为存在影响所述目标小区的网络连接服务故障的目标故障告警;
将所述样本输入参数作为人工神经网络的输入参数,将所述训练样本中的告警码信息是否为所述目标故障告警作为所述人工神经网络的期望输出,对所述人工神经网络进行模型训练;
将实际输出和期望输出之间的误差小于或等于预设误差的人工神经网络作为所述预设模型;
其中,所述训练样本包括与所述目标小区相关的所述多个性能指标,以及对应于所述多个性能指标的告警码信息。
可选地,所述获取训练样本包括:
根据所述多个性能指标中的每一性能指标的数值分布,采用分层随机抽样获取多个所述训练样本。
可选地,所述预处理包括:
对所述多个性能指标进行数据标准化;
对所述多个性能指标中数值连续变化的性能指标,进行离散化;
根据对所述多个性能指标进行的相关性分析结果,对所述多个性能指标进行数据降维,得到所述目标输入参数或者所述样本输入参数。
可选地,还包括:
若存在影响所述目标小区的网络连接服务的目标故障,发出对应于所述目标故障的提示信息。
第二方面,本发明的实施例提供了一种用于小区故障告警的预测装置,包括:
获取模块,用于获取与目标小区相关的多个性能指标,并对所述多个性能指标进行预处理,得到目标输入参数;
预测模块,用于将所述目标输入参数作为预设模型的输入参数,通过所述预设模型预测是否存在影响所述目标小区的网络连接服务的目标故障;
其中,所述预设模型根据与目标小区相关的多个性能指标、以及对应于多个性能指标的告警码信息,进行模型训练得到。
可选地,所述预测模块还用于获取训练样本,对所述训练样本中的所述多个性能指标进行所述预处理,得到样本输入参数,并判断所述训练样本中的告警码信息是否为存在影响所述目标小区的网络连接服务故障的目标故障告警;将所述样本输入参数作为人工神经网络的输入参数,将所述训练样本中的告警码信息是否为所述目标故障告警作为所述人工神经网络的期望输出,对所述人工神经网络进行模型训练;将实际输出和期望输出之间的误差小于或等于预设误差的人工神经网络作为所述预设模型;
其中,所述训练样本包括与所述目标小区相关的所述多个性能指标,以及对应于所述多个性能指标的告警码信息。
可选地,所述预测模块还用于根据所述多个性能指标中的每一性能指标的数值分布,采用分层随机抽样获取多个所述训练样本。
可选地,所述预处理包括:
对所述多个性能指标进行数据标准化;
对所述多个性能指标中数值连续变化的性能指标,进行离散化;
根据对所述多个性能指标进行的相关性分析结果,对所述多个性能指标进行数据降维,得到所述目标输入参数或者所述样本输入参数。
可选地,还包括提示模块,所述提示模块用于若存在影响所述目标小区的网络连接服务的目标故障,发出对应于所述目标故障的提示信息。
第三方面,本发明的实施例提供了一种电子设备,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行以上所述的任一方法。
第四方面,本发明的实施例提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行以上所述的任一方法。
本发明的实施例提供了一种用于小区故障告警的预测方法及装置,该方法获取与目标小区相关的性能指标,根据这些性能指标采用预先训练的预设模型,预测该目标小区是否会发生影响用户在该目标小区使用网络的告警。该方法通过训练的预设模型对性能指标的内涵进行抽象,拟合发生影响目标小区内网络连接服务的告警的数据特征,从而通过性能指标提前预测是否发生影响目标小区内网络连接服务的告警。进一步地,能够根据预设模型的预测结果,在发生影响目标小区内网络连接服务的告警之前,对目标小区的网络进行故障排查,保证在用户感知这一告警对应的故障之前排除该故障。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一个实施例提供的用于小区故障告警的预测方法的流程示意图;
图2是本发明另一个实施例提供的用于小区故障告警的预测方法的流程示意图;
图3是本发明另一个实施例提供使用直方图的形式展现的各个KPI数据分布的示意图;
图4是本发明另一个实施例提供的上下行总业务量和下行PRB平均利用率的相关性缝隙的结果示意图;
图5是本发明另一个实施例提供的人工神经网络的结构示意图;
图6是本发明另一个实施例提供的训练后的人工神经网络ROC空间的曲线;
图7是本发明一个实施例提供的展示人工神经网络训练之后得到的模型的各个方面指标的界面示意图;
图8是本发明一个实施例提供的人工神经网络进行训练的过程的示意图;
图9是本发明一个实施例提供的用于小区故障告警的预测装置的结构示意图;
图10是本发明一个实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本实施例提供的用于小区故障告警的预测方法的流程示意图。参见图1,该方法包括:
101:获取与目标小区相关的多个性能指标,并对所述多个性能指标进行预处理,得到目标输入参数;
102:将所述目标输入参数作为预设模型的输入参数,通过所述预设模型预测是否存在影响所述目标小区的网络连接服务的目标故障;
其中,所述预设模型根据与目标小区相关的多个性能指标、以及对应于多个性能指标的告警码信息,进行模型训练得到。
需要说明的是,小区通过不同的告警码区分不同的告警,有些告警对应的故障影响在目标小区内的用户使用该目标小区的网络连接服务,有些则不影响在目标小区内的用户使用该目标小区的网络连接服务。本实施例提供的模型只对告警是否影响用户使用该目标小区的网络连接服务进行预测。当预测存在影响目标小区的网络连接服务的目标故障,则需要工作人员对该故障具体是哪一种故障进行检查,并针对具体的故障进行排查。
性能指标至少包括涵盖该目标小区的覆盖、干扰和容量等指标,本实施例不做具体限制。预处理的结果根据预设模型的输入决定,应至少包括对数据进行的标准化、根据各个数据之间的相关关系进行的数据降维等处理,最终得到符合预设模型输入要求的输入参数,将多个性能指标进行数据降维等处理,得到个数和格式均符合预设模型的输入要求的输入参数。可理解的是,本实施例中提供的预设模型属于有监督学习的机器学习方法,该预设模型包括的主要算法为人工神经网络、逻辑回归、分类决策树、随机森林、支持向量机等,具体的算法本实施例不做限制。
本实施例提供了一种用于小区故障告警的预测方法,该方法获取与目标小区相关的性能指标,根据这些性能指标采用预先训练的预设模型,预测该目标小区是否会发生影响用户在该目标小区使用网络的告警。该方法通过训练的预设模型对性能指标的内涵进行抽象,拟合发生影响目标小区内网络连接服务的告警的数据特征,从而通过性能指标提前预测是否发生影响目标小区内网络连接服务的告警。进一步地,能够根据预设模型的预测结果,在发生影响目标小区内网络连接服务的告警之前,对目标小区的网络进行故障排查,保证在用户感知这一告警对应的故障之前排除该故障。
更进一步的,在上述实施例的基础上,所述预设模型的模型训练包括:
获取训练样本,对所述训练样本中的所述多个性能指标进行所述预处理,得到样本输入参数,并判断所述训练样本中的告警码信息是否为存在影响所述目标小区的网络连接服务故障的目标故障告警;
将所述样本输入参数作为人工神经网络的输入参数,将所述训练样本中的告警码信息是否为所述目标故障告警作为所述人工神经网络的期望输出,对所述人工神经网络进行模型训练;
将实际输出和期望输出之间的误差小于或等于预设误差的人工神经网络作为所述预设模型;
其中,所述训练样本包括与所述目标小区相关的所述多个性能指标,以及对应于所述多个性能指标的告警码信息。
需要说明的是,训练样本为该目标小区发生告警时,对应于该告警的多个性能指标和该告警的告警码信息。采用多个训练样本对该预设模型进行训练,直到得到实际输出和期望输出之间的误差小于预设误差的模型。
可以理解的是,模型训练完成之后,还需要对训练之后的预设模型进行性能评估和优化,当对该预设模型的预测的结果达不到期望结果,例如,预测的准确率低于预设准确率,则需要对该模型进行重新训练,直到训练处符合期望的预设模型。
本实施例采用人工神经网络作为训练的模型,利用人工神经网络在训练时的误差反向传播算法,不断对各个计算层的权值进行修正,快速高效的得到符合预期的模型。同时,人工神经网络具有高的拟合精度和预测泛化能力,采用人工神经网络能够根据性能指标,实现对是否存在影响所述目标小区的网络连接服务的目标故障的精准预测。
更进一步的,在上述各个实施例的基础上,所述获取训练样本包括:
根据所述多个性能指标中的每一性能指标的数值分布,采用分层随机抽样获取多个所述训练样本。
本实施例中的预设模型是对是否存在影响所述目标小区的网络连接服务的目标故障进行预测,即对是否为目标故障告警进行预测,由于实际中,出现的影响目标小区的网络连接服务的目标故障的次数远远小于不影响目标小区的网络连接服务的故障,因此若采用随机抽样的方法抽取该训练样本,可能会导致抽取的样本中不存在或者很少存在影响目标小区的网络连接服务的目标故障的训练样本。
本实施例提供了训练模型过程中训练样本的选取方法,通过分层随机抽样的方法抽取训练样本,能够避免由于是否存在目标故障这两种情况的分布的差异,导致训练样本中某一类样本数量较少或者缺失的情况,保证了训练样本的完整性。
更进一步的,在上述各个实施例的基础上,所述预处理包括:
对所述多个性能指标进行数据标准化;
对所述多个性能指标中数值连续变化的性能指标,进行离散化;
根据对所述多个性能指标进行的相关性分析结果,对所述多个性能指标进行数据降维,得到所述目标输入参数或者所述样本输入参数。
本实施例提供了一种对多个性能指标进行处理,快速得到符合预设模型输入要求的输入参数的方法。无论是使用该预测模型进行预测,或者是对该预测模型进行训练,均需要通过该预处理得到与预设模型输入要求吻合的目标输入参数或者样本输入参数。
更进一步的,在上述各个实施例的基础上,还包括:
若存在影响所述目标小区的网络连接服务的目标故障,发出对应于所述目标故障的提示信息。
当预设模型预测存在影响所述目标小区的网络连接服务的目标故障,则发出提示信息,以提示工作人员在发生影响目标小区内网络连接服务的告警之前,对目标小区的网络进行故障排查,保证在用户感知这一告警对应的故障之前排除该故障。
作为一种具体的实施例,图2为对预设模型进行训练的流程示意图,参见图2,该模型训练的过程包括:
201:获取训练样本,并判断训练样本中的告警码信息是否为存在影响所述目标小区的网络连接服务故障的目标故障告警;
需要说明的是,判断训练样本中的告警码信息是否为存在影响所述目标小区的网络连接服务故障的目标故障告警,也就是判断告警码信息是否为存在影响所述目标小区的网络连接服务故障的目标故障告警,是对告警码信息进行分类(二值化)的过程。例如,如表一所示,根据告警码信息判断其对应的故障是否影响目标小区的网络连接服务(即若发生该故障,用户是否能够感知),对告警码信息进行分类。
如表一所示,在对告警码信息二值化的过程中,1表示告警码信息对应的故障影响用户在该目标小区内使用网络连接服务,0表示告警码信息对应的故障不影响用户在该目标小区内使用网络连接服务,和无告警的情况。
表一
需要说明的是,在进行模型训练的过程中,之所以对告警码信息对应的故障进行二值化,是因为如果直接将告警码信息作为预测模型的期望输出,则会存在训练样本集中的训练样本过小,分类过多的情况。这样的训练过程,一方面不利用对模型训练的效果,另一方面使训练出来的模型的泛化能力较差。其次,本实施例旨在消除网络故障对用户使用网络连接服务的影响,则只需要训练出的模型能够区分是否存在影响目标小区的网络连接服务的故障即可。
在获取训练样本的过程中,由于实际中,样本中各个参数以及样本的结果常常呈“偏态”分布,例如,小区无告警的情况属于“热门”分类,样本数量很大;小区出现严重告警(比如影响网络连接服务故障的告警)属于“冷门”分类,样本数可能很少甚至没有。而机器学习算法寻找的是样本和的损失最小化,“偏态”分布的数据将使得的预测更偏向于“热门”分类,因此为了避免“偏态”分布的数据对训练出的样本的影响,需要根据性能指标(KPI)的数值特征,根据数值特征选取训练样本。
本实施例中选取的KPI包括:RRC连接建立成功率;ERAB建立成功率;无线接通率;无线掉线率;ERAB掉线率;切换成功率;eNB间切换成功率;eNB内切换成功率;小区上行BLER;小区下行BLER;小区用户面下行弃包率;上下行总业务量(GB);上行PRB平均利用率;下行PRB平均利用率;同时在线用户数;RB平均噪声干扰。
考虑到各个KPI数据的“偏态”分布,需要对各项KPI数据进行描述性分析,及数据可视化呈现。对数据值的数据的描述性分析一般包括均值、中位数、众数、方差、四分位数,对因子值数据进行频数等。另一方面,通过数据可视化的技术实现对数据的直方图,箱图呈现,可视化呈现数据分布的偏度与峰度。
如图3所示,本实施例主要使用直方图的形式对各个KPI数据探索。图3中的(a)、(b)、(c)、(d)分别表示了四种不同的KPI的分布特征,这四幅图的纵坐标均为频率(frequency)。从图3的(a)可以看出eNB间切换成功率集中分布在[0,0.05]之间,(b)可以看出eNB内切换成功率集中分布在[0,0.05]之间,(c)可以看出小区下行BBLER集中分布在[0,0.4]之间,(d)可以看出小区用户面下行弃包率集中分布在[0.9,1]之间。这四个取值在[0,1]之间的KPI,其均呈“偏态”分布,因而,在选取训练样本中,需考虑根据各个KPI的分布情况进行分层随机抽样。
KPI可视化结果直观地说明用于大部分的KPI呈现偏态分布。对KPI进行分析,一方面是为了根据KPI的分布特征采用分层随机抽样的方法获取训练样本,另一方面是通过这种分析查找KPI数据分布是否存在明显的异常,及时排除异常数据,保证通过训练样本训练出的模型具有较高的准确性,提高机器学习的效率。
202:对训练样本中的所述多个性能指标进行所述预处理,得到样本输入参数;
需要说明的是,多个性能指标应该至少包含覆盖、干扰、容量等角度,涵盖目标小区的接入性、保持性及完整性等维度提取相关KPI进行整合。
针对每一个训练样本,对其多个性能指标均要进行预处理,该预处理至少包括数据标准化、离散化和数据降维。
由于LTE小区的各个KPI的性质不同,通常具有不同的量纲和数量级。例如,切换成功率或者无线接通率的取值范围是区间[0,1],而上下行总业务量或同时在线用户数的取值是大于0(尤其是存在取值大于1的情况)。当各KPI之间的数值相差很大时,如果直接用原始KPI的指标值进行分析,就会突出数值较高的KPI在综合分析中的作用,相对削弱数值水平较低的KPI的作用。因此,为了保证结果的可靠性,需要对KPI的原始指标值进行标准化处理。目前数据标准化方法有多种,常用数据标准化方式有Min-max标准化及Z-score标准化。
其中,Min-max标准化方法是对原始数据进行线性变换。设minA和maxA分别为性能指标A的最小值和最大值,将性能指标A的一个原始指标值x通过Min-max标准化映射成在区间[0,1]中的值x',可以参照如下公式:
x'=(x-minA)/(maxA-minA)
进行数据标准化。
Z-score标准化方法适用于性能指标B的最大值和最小值未知的情况,或有超出取值范围的离群数据的情况。Z-score标准化基于原始数据的均值(m)和标准差(s)进行数据的标准化。将B的原始值y使用z-score标准化到y',可以参照如下公式:
y'=(y-m)/t
进行数据标准化。
以“RRC连接建立成功率”及“上下行总业务量”两个统计指标的数据标准化为例进行说明。RRC连接建立成功率的取值范围为区间[0.9,1],而“上下行总业务量”的取值范围为大于0,两者纲量差别显著,使用Min-max标准化算法如下:
在使用公式x'=(x-minA)/(maxA-minA)将RRC连接建立成功率映射至区间[0,1]时,x'为标准化之后,映射在区间[0,1]中的值,x为RRC连接建立成功率的原始指标值,minA为RRC连接建立成功率的最小值,maxA为RRC连接建立成功率的最大值。
在使用公式x'=(x-minA)/(maxA-minA)将上下行总业务量映射至区间[0,1]时,x'为标准化之后,映射在区间[0,1]中的值,x为上下行总业务量的原始指标值,minA为上下行总业务量的最小值,maxA为RRC连接建立成功率的最大值。
经过上述的数据标准化过程之后,RRC连接建立成功率和上下行总业务量的取值均映射至区间[0,1]。
另外,由于分类算法,要求数据是分类属性形式。关联模式的算法要求数据是二元属性形式。这样,常常需要将连续属性变换成分类属性,并且连续和离散属性可能都需要变换成一个或多个二元属性。此外,如果一个分类属性具有大量不同值(类别),或者某些值出现不频繁,则对于某些数据挖掘任务,通过合并某些值减少类别的数目可能是有益的。所以在建模及模型调优时应尝试对部分输入的性能指标进行离散化处理,以期获取更好的模型预测性能。
例如,对对上行PRB平均利用率和下行PRB平均利用率两指标进行连续数据值离散化过程如下:定义取值区间进行离散化,将上行PRB平均利用率或下行PRB平均利用率小于20%的划分为“低利用率”,将上行PRB平均利用率或下行PRB平均利用率处于,20%至50%之间的划分为“中利用率”,将上行PRB平均利用率或下行PRB平均利用率大于50%为划分为“高利用率”。当然,离散化的结果可以根据模型训练及测试进行调整。
根据对KPI之间的相关性分析,对各个数据进行降维处理。对相关性分析是指对两个或多个具备相关性的变量元素进行分析,从而衡量两个变量因素的相关密切程度。相关性的元素之间需要存在一定的联系或者概率才可以进行相关性分析。
相关性能分析有助于理清输入特征间的相关关系,并可以利用特征间的相关关系对输入特征进行降维处理,有助于提高模型训练的效率;并利用数据可视化的方式直观呈现数据间隐含的规律性,有助于提前特征工程的目的性:
如图4所示,X轴为上下行总业务量(单位为GB),Y轴为下行PRB平均利用率的散点图,采用不同形状的点表示1和0,1表示告警码信息对应的故障影响用户在该目标小区内使用网络连接服务,0表示告警码信息对应的故障不影响用户在该目标小区内使用网络连接服务,和无告警的情况。由该散点图可见,上下行总业务量和下行PRB平均利用率这两KPI间存在较强的相关性。
另一方面,图4中表示1的点和表示0的点均呈簇状分布,决策边界非线性,据此可以选择非线性决策边界较强的算法进行建模,例如人工神经网络。
这也提示在建模阶段应引入拟合非线性决策边界较强的算法进行,选择人工神经网络将会是一个不错的选择。
203:将样本输入参数作为人工神经网络的输入参数,将训练样本中的告警码信息是否为所述目标故障告警作为人工神经网络的期望输出,对所述人工神经网络进行模型;
人工神经网络有很好的算法拟合精度及预测泛化能力,本实施例采用人工神经网络作为预设模型的主要算法。人工神经网络(Artificial Neural Networks,简写为ANNs)也简称为神经网络(NNs)或称作连接模型(Connection Model),是一种模仿动物神经网络行为特征,进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度,通过调整内部大量节点之间相互连接的关系,从而达到处理信息的目的。
204:判断人工神经网络的实际输出和期望输出之间的误差是否小于或等于预设误差,或者对人工神经网络进行训练的训练次数是否超过预设次数;若是,执行步骤205,否则,返回步骤201;
图5为人工神经网络的结构示意图,参见图5,可以将人工神经网络划分为三个层,Input Layer(输入层),Hidden Layer(隐层)和Output Layer(输出层)。例如,输入层包括三个输入,分别为No,1、No,2和No,3,将输入参数x1、x2和x3分别输入至这三个输入端,将输入层的处理为向量w1,1,1,w1,1,2,,w1,1,3,w1,2,1,w1,2,2,w1,2,3,输入至输入层的N1,1和N1,2中进行处理,并将处理的结果w2,1,1,w2,1,2,,w2,2,1,w2,2,1,输入至输出层的N2,1和N2,2中进行处理,得到输出结果z1和z2。人工神经网络的训练的方法是误差反向传播算法的学习过程,由信息的正向传播和误差的反向传播两个过程组成。当实际输出与期望输出不符时,进入误差的反向传播阶段。误差通过输出层,按误差梯度下降的方式修正各层权值,向隐层、输入层逐层反传。周而复始的信息正向传播和误差反向传播过程,是各层权值不断调整的过程,也是神经网络学习训练的过程,此过程一直进行到网络输出的误差减少到可以接受的程度,或者训练次数达到预先设定的预设次数为止,其中,每一次输出均为一次训练,例如,从输入层到输出层为一次训练,从输出层进行误差反向传播直至回到输出层也为一次训练。
例如,选定的ANN模型参数为:输入层包括16个输入神经元,共对应16个输入的KPI;隐藏层的层数为1,神经元数量不少于3个,不大于10个;输出层包括1个输出神经元,输出方式为分类输出,1代表正样本(表示存在影响所述目标小区的网络连接服务的目标故障),0代表负样本(表示存在影响所述目标小区的网络连接服务的目标故障);正规项使用L2范数,ALPHA的取值搜索空间为[0.1,1],训练算法的过程采用随机梯度下降算法(SGD)。
205:若判定人工神经网络的实际输出和期望输出之间的误差小于或等于预设误差,或者对人工神经网络进行训练的训练次数超过预设次数,则对训练后的人工神经网络进行性能评估;
可理解的是,模型训练完成之后,需要对训练出的预设模型进行性能评估。在性能评估的过程中,将各项输出的参数将排列组合成多个模型计算输出,利用模型的性能评估相关指标(如准确率,F1值等)进行交叉验证(K-fold CV),最后选取最优的参数组合进行最后性能评价验证。
例如,在本实施例的分类问题中,一个根据目标小区的某次采集的KPI,其可能被判定为以下四种结果(其中1代表正样本(表示存在影响所述目标小区的网络连接服务的目标故障,用Positive表示),0代表负样本(表示存在影响所述目标小区的网络连接服务的目标故障,用Negative表示))之一,分别为:
TP(True Positive):被预设模型预测为正的正样本(训练样本对应的实际结果(期望输出)为1,而预设模型的实际输出为1);
FP(False Positive):被预设模型预测为正的负样本(训练样本对应的实际结果(期望输出)为0,而预设模型的实际输出为1);
FN(False Negative):被预设模型预测为负的正样本(训练样本对应的实际结果(期望输出)为1,而预设模型的实际输出为0);
预设模型预测为负的负样本(训练样本对应的实际结果(期望输出)为0,而预设模型的实际输出为0)。
由以上四种类型可以得到一个混淆矩阵(Confusion Matrix),该混淆矩阵如表二所示:
表二
基于表二中的混淆矩阵,采用下述指标(准确率、灵敏度、特异度和ROC)对该预设模型进行评价:
准确率(Aaccuracy),其表征了预设模型对整个训练样本集的判定能力,即将正的判定为正、负的判定为负的能力,按照公式Aaccuracy=(TP+TN)/(TP+FN+FP+TN)计算该预设模型预测的准确率。
灵敏度(Sensitivity),其表征了预设模型将正样本预测为正样本的能力,按照公式Sensitivity=TP/(TP+FN)计算该预设模型预测的灵敏度。
特异度(Specificity),其表征了预设模型将负样本预测为负样本的能力,按照公式Specificity=TN/(TN+FP)计算该预设模型预测的特异度。
ROC(Receiver Operating Charateristic,受试者工作特征曲线),是根据一系列不同的二分类方式(分界值或决定阈),以真阳性率(灵敏度)为纵坐标,假阳性率(1-特异度)为横坐标绘制的曲线。本实施例中,ROC的主要分析工具为画在ROC空间的曲线,如图6所示,横轴为1-Specificity(1-特异度),纵轴为Sensitivity(灵敏度)。在分类问题中,一个阀值对应于一个特异性及灵敏度,并在ROC空间描出一个点,当阀值连续移动时,该点也随即移动(如图6中的箭头所示,从点A经过点B至点C)最终绘成ROC曲线。ROC良好的刻画了不同阀值对样本的分辨能力,也同时反应出对正例(实际结果为1的训练样本)和对反例(实际结果为0的训练样本)的分辨能力,方便使用者根据实际需求选用合适的阀值。好的分类模型要求ROC曲线尽可能靠近图形的左上角。
AUC(Area Under roc Curve)值指的是处于ROC曲线下方的那部分面积大小。理想的分类模型的AUC值为1,通常其值在0.5至1.0之间,AUC值越大,代表该分类模型的性能越好,由图6可以看到该模型具有较好的性能。
图7示出了对该人工神经网络训练之后得到的模型的各个方面指标的界面图,通过该界面可以看出,训练后的人工神经网络各方面的性能指标呈现较好的结果,图7中示出了训练后的人工神经网络的各个方面的性能指标,从图7中可以看出,其准确率(Aaccuracy)达到99%以上(如图7中的黑色框内的内容所示),因而训练的模型能够提供较为准确的预测结果。
206:根据对训练后的人工神经网络进行性能评估,判断该人工神经网络是否符合要求,若是,执行步骤207,否则,返回步骤201;
207:采用该人工神经网络对目标小区是否存在影响所述目标小区的网络连接服务的目标故障进行预测。
总体来说,如图8所示,对人工神经网络进行训练的过程包括下的流程,依照KPI数据的采集,KPI数据预处理,人工神经网络的训练和训练后的人工神经网络的评估等步骤进行。
本实施例提供的用于小区故障告警的预测方法,利用目标小区连续时间的KPI监测,并利用机器学习的人工神经网络算法进行建模,提前预测LTE小区告警信息的发生,从而可以实现提前干预可能出现问题的小区,保证用户感知的连续性。
该方法解决了目前的人工统计观察等方式无法做到对小区告警信息进行提前预测的问题。该方法通过机器学习的算法建模,可以对LTE小区的KPI数据的内涵进行抽象,拟合出告警发生前的数据特征,提前预测小区可能发生告警,并在告警发生前提前进行排查处理,保证用户使用LTE网络的用户感知连续性。因此应用机器学习的算法建模的思路正是实践“先于客户发现网络故障,先于客户投诉解决网络故障”指导思路,而该方案实现的效果也是非人工劳动力可替代;
另一方面,该方法解决了长期存在LTE质量优化工作中无法解决LTE小区故障导致用户感知劣化的痛点,实现从LTE小区故障处理的优化流程从“事后处理”至“事前预测”的工作思路及工作方法的大幅进步。
第二方面,如图9所示,本发明的实施例提供了一种用于小区故障告警的预测装置900,包括获取模块901和预测模块902,其中,
获取模块901,用于获取与目标小区相关的多个性能指标,并对所述多个性能指标进行预处理,得到目标输入参数;
预测模块902,用于将所述目标输入参数作为预设模型的输入参数,通过所述预设模型预测是否存在影响所述目标小区的网络连接服务的目标故障;
其中,所述预设模型根据与目标小区相关的多个性能指标、以及对应于多个性能指标的告警码信息,进行模型训练得到。
本实施例提供的用于小区故障告警的预测装置900适用于上述实施例中的用于小区故障告警的预测方法,在此不再赘述。
本发明的实施例提供了一种用于小区故障告警的预测装置,该装置获取与目标小区相关的性能指标,根据这些性能指标采用预先训练的预设模型,预测该目标小区是否会发生影响用户在该目标小区使用网络的告警。该方法通过训练的预设模型对性能指标的内涵进行抽象,拟合发生影响目标小区内网络连接服务的告警的数据特征,从而通过性能指标提前预测是否发生影响目标小区内网络连接服务的告警。进一步地,能够根据预设模型的预测结果,在发生影响目标小区内网络连接服务的告警之前,对目标小区的网络进行故障排查,保证在用户感知这一告警对应的故障之前排除该故障。
进一步地,在上述实施例的基础上,所述预测模块还用于获取训练样本,对所述训练样本中的所述多个性能指标进行所述预处理,得到样本输入参数,并判断所述训练样本中的告警码信息是否为存在影响所述目标小区的网络连接服务故障的目标故障告警;将所述样本输入参数作为人工神经网络的输入参数,将所述训练样本中的告警码信息是否为所述目标故障告警作为所述人工神经网络的期望输出,对所述人工神经网络进行模型训练;将实际输出和期望输出之间的误差小于或等于预设误差的人工神经网络作为所述预设模型;
其中,所述训练样本包括与所述目标小区相关的所述多个性能指标,以及对应于所述多个性能指标的告警码信息。
进一步地,在上述各个实施例的基础上,还包括提示模块,所述提示模块用于若存在影响所述目标小区的网络连接服务的目标故障,发出对应于所述目标故障的提示信息。
图10是示出本发明的实施例提供的电子设备的结构框图。
参照图10,所述电子设备,包括:处理器(processor)1001、存储器(memory)1002和总线1003;
其中,
所述处理器1001、存储器1002通过所述总线1003完成相互间的通信;
所述处理器1001用于调用所述存储器1002中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:获取与目标小区相关的多个性能指标,并对所述多个性能指标进行预处理,得到目标输入参数;将所述目标输入参数作为预设模型的输入参数,通过所述预设模型预测是否存在影响所述目标小区的网络连接服务的目标故障。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取与目标小区相关的多个性能指标,并对所述多个性能指标进行预处理,得到目标输入参数;将所述目标输入参数作为预设模型的输入参数,通过所述预设模型预测是否存在影响所述目标小区的网络连接服务的目标故障。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的电子设备等实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上各实施例仅用以说明本发明的实施例的技术方案,而非对其限制;尽管参照前述各实施例对本发明的实施例进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明的实施例各实施例技术方案的范围。
Claims (10)
1.一种用于小区故障告警的预测方法,其特征在于,包括:
获取与目标小区相关的多个性能指标,并对所述多个性能指标进行预处理,得到目标输入参数;
将所述目标输入参数作为预设模型的输入参数,通过所述预设模型预测是否存在影响所述目标小区的网络连接服务的目标故障;
其中,所述预设模型根据与目标小区相关的多个性能指标、以及对应于多个性能指标的告警码信息,进行模型训练得到。
2.根据权利要求1中所述的方法,其特征在于,所述预设模型的模型训练包括:
获取训练样本,对所述训练样本中的所述多个性能指标进行所述预处理,得到样本输入参数,并判断所述训练样本中的告警码信息是否为存在影响所述目标小区的网络连接服务故障的目标故障告警;
将所述样本输入参数作为人工神经网络的输入参数,将所述训练样本中的告警码信息是否为所述目标故障告警作为所述人工神经网络的期望输出,对所述人工神经网络进行模型训练;
将实际输出和期望输出之间的误差小于或等于预设误差的人工神经网络作为所述预设模型;
其中,所述训练样本包括与所述目标小区相关的所述多个性能指标,以及对应于所述多个性能指标的告警码信息。
3.根据权利要求2中所述的方法,其特征在于,所述获取训练样本包括:
根据所述多个性能指标中的每一性能指标的数值分布,采用分层随机抽样获取多个所述训练样本。
4.根据权利要求1或2中所述的方法,其特征在于,所述预处理包括:
对所述多个性能指标进行数据标准化;
对所述多个性能指标中数值连续变化的性能指标,进行离散化;
根据对所述多个性能指标进行的相关性分析结果,对所述多个性能指标进行数据降维,得到所述目标输入参数或者所述样本输入参数。
5.根据权利要求1中所述的方法,其特征在于,还包括:
若存在影响所述目标小区的网络连接服务的目标故障,发出对应于所述目标故障的提示信息。
6.一种用于小区故障告警的预测装置,其特征在于,包括:
获取模块,用于获取与目标小区相关的多个性能指标,并对所述多个性能指标进行预处理,得到目标输入参数;
预测模块,用于将所述目标输入参数作为预设模型的输入参数,通过所述预设模型预测是否存在影响所述目标小区的网络连接服务的目标故障;
其中,所述预设模型根据与目标小区相关的多个性能指标、以及对应于多个性能指标的告警码信息,进行模型训练得到。
7.根据权利要求6中所述的装置,其特征在于,所述预测模块还用于获取训练样本,对所述训练样本中的所述多个性能指标进行所述预处理,得到样本输入参数,并判断所述训练样本中的告警码信息是否为存在影响所述目标小区的网络连接服务故障的目标故障告警;将所述样本输入参数作为人工神经网络的输入参数,将所述训练样本中的告警码信息是否为所述目标故障告警作为所述人工神经网络的期望输出,对所述人工神经网络进行模型训练;将实际输出和期望输出之间的误差小于或等于预设误差的人工神经网络作为所述预设模型;
其中,所述训练样本包括与所述目标小区相关的所述多个性能指标,以及对应于所述多个性能指标的告警码信息。
8.根据权利要求6中所述的装置,其特征在于,还包括提示模块,所述提示模块用于若存在影响所述目标小区的网络连接服务的目标故障,发出对应于所述目标故障的提示信息。
9.一种电子设备,其特征在于,包括:
至少一个处理器;以及
与所述处理器通信连接的至少一个存储器,其中:
所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令能够执行如权利要求1至5任一项所述的方法。
10.一种非暂态计算机可读存储介质,其特征在于,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行如权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710464555.5A CN109150564B (zh) | 2017-06-19 | 2017-06-19 | 一种用于小区故障告警的预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710464555.5A CN109150564B (zh) | 2017-06-19 | 2017-06-19 | 一种用于小区故障告警的预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109150564A true CN109150564A (zh) | 2019-01-04 |
CN109150564B CN109150564B (zh) | 2021-09-21 |
Family
ID=64804488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710464555.5A Active CN109150564B (zh) | 2017-06-19 | 2017-06-19 | 一种用于小区故障告警的预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109150564B (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110139315A (zh) * | 2019-04-26 | 2019-08-16 | 东南大学 | 一种基于自我学习的无线网络故障检测方法 |
CN110601900A (zh) * | 2019-09-23 | 2019-12-20 | 中盈优创资讯科技有限公司 | 一种网络故障预警方法及装置 |
CN111107569A (zh) * | 2019-12-04 | 2020-05-05 | 中国联合网络通信集团有限公司 | 一种问题小区的筛选方法和装置 |
CN112020075A (zh) * | 2019-05-29 | 2020-12-01 | 中国移动通信集团重庆有限公司 | 基于业务量预测的通信保障方法、装置、计算设备 |
CN112203311A (zh) * | 2019-07-08 | 2021-01-08 | 中国移动通信集团浙江有限公司 | 网元异常诊断方法、装置、设备及计算机存储介质 |
CN112702184A (zh) * | 2019-10-23 | 2021-04-23 | 中国电信股份有限公司 | 故障预警方法及装置、计算机可存储介质 |
CN113496338A (zh) * | 2020-04-08 | 2021-10-12 | 中国移动通信集团广东有限公司 | 网络质差原因的分析方法、系统及装置 |
CN113572625A (zh) * | 2020-04-28 | 2021-10-29 | 中国移动通信集团浙江有限公司 | 故障预警方法、预警装置、设备及计算机介质 |
CN113727381A (zh) * | 2021-08-31 | 2021-11-30 | 中国联合网络通信集团有限公司 | 网络容灾方法、装置、系统及存储介质 |
CN113784378A (zh) * | 2021-09-10 | 2021-12-10 | 中国联合网络通信集团有限公司 | 室分小区故障检测方法、装置、服务器及存储介质 |
CN113795032A (zh) * | 2021-09-26 | 2021-12-14 | 中国联合网络通信集团有限公司 | 室分隐形故障的判断方法、装置、存储介质及设备 |
CN113852513A (zh) * | 2020-06-28 | 2021-12-28 | 北京市天元网络技术股份有限公司 | 网络容量预测方法及装置 |
CN115208773A (zh) * | 2021-04-09 | 2022-10-18 | 中国移动通信集团广东有限公司 | 网络隐性故障监测方法及装置 |
CN115426671A (zh) * | 2022-09-01 | 2022-12-02 | 中国电信股份有限公司 | 图神经网络训练、无线小区故障预测方法、系统及设备 |
CN115426244A (zh) * | 2022-08-09 | 2022-12-02 | 武汉虹信技术服务有限责任公司 | 一种基于大数据的网络设备故障检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208028A (zh) * | 2011-05-31 | 2011-10-05 | 北京航空航天大学 | 一种适用于动态复杂系统的故障预测和诊断方法 |
CN103945442A (zh) * | 2014-05-07 | 2014-07-23 | 东南大学 | 移动通信系统中基于线性预测原理的系统异常检测方法 |
CN103957551A (zh) * | 2014-05-13 | 2014-07-30 | 江苏省无线电科学研究所有限公司 | 自动气象站中通信状态实时监控方法 |
CN104461821A (zh) * | 2014-11-03 | 2015-03-25 | 浪潮(北京)电子信息产业有限公司 | 一种虚拟机监控预警方法及系统 |
US9204319B2 (en) * | 2014-04-08 | 2015-12-01 | Cellco Partnership | Estimating long term evolution network capacity and performance |
US20160350649A1 (en) * | 2015-05-26 | 2016-12-01 | Qiang Zhang | Method and apparatus of learning neural network via hierarchical ensemble learning |
CN106341837A (zh) * | 2015-07-17 | 2017-01-18 | 中国移动通信集团广东有限公司 | 一种质差话务比例值预测方法及装置 |
US20170041806A1 (en) * | 2015-08-05 | 2017-02-09 | Viavi Solutions Uk Limited | Small cell planning |
-
2017
- 2017-06-19 CN CN201710464555.5A patent/CN109150564B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102208028A (zh) * | 2011-05-31 | 2011-10-05 | 北京航空航天大学 | 一种适用于动态复杂系统的故障预测和诊断方法 |
US9204319B2 (en) * | 2014-04-08 | 2015-12-01 | Cellco Partnership | Estimating long term evolution network capacity and performance |
CN103945442A (zh) * | 2014-05-07 | 2014-07-23 | 东南大学 | 移动通信系统中基于线性预测原理的系统异常检测方法 |
CN103957551A (zh) * | 2014-05-13 | 2014-07-30 | 江苏省无线电科学研究所有限公司 | 自动气象站中通信状态实时监控方法 |
CN104461821A (zh) * | 2014-11-03 | 2015-03-25 | 浪潮(北京)电子信息产业有限公司 | 一种虚拟机监控预警方法及系统 |
US20160350649A1 (en) * | 2015-05-26 | 2016-12-01 | Qiang Zhang | Method and apparatus of learning neural network via hierarchical ensemble learning |
CN106341837A (zh) * | 2015-07-17 | 2017-01-18 | 中国移动通信集团广东有限公司 | 一种质差话务比例值预测方法及装置 |
US20170041806A1 (en) * | 2015-08-05 | 2017-02-09 | Viavi Solutions Uk Limited | Small cell planning |
Non-Patent Citations (1)
Title |
---|
CAOHAO: "机器学习中的数据清洗与特征处理综述", 《HTTPS://TECH.MEITUAN.COM/2015/02/10/MACHINELEARNING-DATA-FEATURE-PROCESS.HTML》 * |
Cited By (28)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110139315B (zh) * | 2019-04-26 | 2021-09-28 | 东南大学 | 一种基于自我学习的无线网络故障检测方法 |
CN110139315A (zh) * | 2019-04-26 | 2019-08-16 | 东南大学 | 一种基于自我学习的无线网络故障检测方法 |
CN112020075A (zh) * | 2019-05-29 | 2020-12-01 | 中国移动通信集团重庆有限公司 | 基于业务量预测的通信保障方法、装置、计算设备 |
CN112020075B (zh) * | 2019-05-29 | 2022-12-16 | 中国移动通信集团重庆有限公司 | 基于业务量预测的通信保障方法、装置、计算设备 |
CN112203311A (zh) * | 2019-07-08 | 2021-01-08 | 中国移动通信集团浙江有限公司 | 网元异常诊断方法、装置、设备及计算机存储介质 |
CN110601900B (zh) * | 2019-09-23 | 2022-09-13 | 中盈优创资讯科技有限公司 | 一种网络故障预警方法及装置 |
CN110601900A (zh) * | 2019-09-23 | 2019-12-20 | 中盈优创资讯科技有限公司 | 一种网络故障预警方法及装置 |
CN112702184A (zh) * | 2019-10-23 | 2021-04-23 | 中国电信股份有限公司 | 故障预警方法及装置、计算机可存储介质 |
CN111107569A (zh) * | 2019-12-04 | 2020-05-05 | 中国联合网络通信集团有限公司 | 一种问题小区的筛选方法和装置 |
CN111107569B (zh) * | 2019-12-04 | 2022-09-27 | 中国联合网络通信集团有限公司 | 一种问题小区的筛选方法和装置 |
CN113496338A (zh) * | 2020-04-08 | 2021-10-12 | 中国移动通信集团广东有限公司 | 网络质差原因的分析方法、系统及装置 |
CN113496338B (zh) * | 2020-04-08 | 2023-08-22 | 中国移动通信集团广东有限公司 | 网络质差原因的分析方法、系统及装置 |
CN113572625A (zh) * | 2020-04-28 | 2021-10-29 | 中国移动通信集团浙江有限公司 | 故障预警方法、预警装置、设备及计算机介质 |
CN113572625B (zh) * | 2020-04-28 | 2023-04-28 | 中国移动通信集团浙江有限公司 | 故障预警方法、预警装置、设备及计算机介质 |
CN113852513B (zh) * | 2020-06-28 | 2022-11-22 | 北京市天元网络技术股份有限公司 | 网络容量预测方法及装置 |
CN113852513A (zh) * | 2020-06-28 | 2021-12-28 | 北京市天元网络技术股份有限公司 | 网络容量预测方法及装置 |
CN115208773B (zh) * | 2021-04-09 | 2023-09-19 | 中国移动通信集团广东有限公司 | 网络隐性故障监测方法及装置 |
CN115208773A (zh) * | 2021-04-09 | 2022-10-18 | 中国移动通信集团广东有限公司 | 网络隐性故障监测方法及装置 |
CN113727381B (zh) * | 2021-08-31 | 2023-06-27 | 中国联合网络通信集团有限公司 | 网络容灾方法、装置、系统及存储介质 |
CN113727381A (zh) * | 2021-08-31 | 2021-11-30 | 中国联合网络通信集团有限公司 | 网络容灾方法、装置、系统及存储介质 |
CN113784378A (zh) * | 2021-09-10 | 2021-12-10 | 中国联合网络通信集团有限公司 | 室分小区故障检测方法、装置、服务器及存储介质 |
CN113784378B (zh) * | 2021-09-10 | 2023-06-13 | 中国联合网络通信集团有限公司 | 室分小区故障检测方法、装置、服务器及存储介质 |
CN113795032A (zh) * | 2021-09-26 | 2021-12-14 | 中国联合网络通信集团有限公司 | 室分隐形故障的判断方法、装置、存储介质及设备 |
CN113795032B (zh) * | 2021-09-26 | 2023-12-08 | 中国联合网络通信集团有限公司 | 室分隐形故障的判断方法、装置、存储介质及设备 |
CN115426244A (zh) * | 2022-08-09 | 2022-12-02 | 武汉虹信技术服务有限责任公司 | 一种基于大数据的网络设备故障检测方法 |
CN115426244B (zh) * | 2022-08-09 | 2024-03-15 | 武汉虹信技术服务有限责任公司 | 一种基于大数据的网络设备故障检测方法 |
CN115426671A (zh) * | 2022-09-01 | 2022-12-02 | 中国电信股份有限公司 | 图神经网络训练、无线小区故障预测方法、系统及设备 |
CN115426671B (zh) * | 2022-09-01 | 2023-10-31 | 中国电信股份有限公司 | 图神经网络训练、无线小区故障预测方法、系统及设备 |
Also Published As
Publication number | Publication date |
---|---|
CN109150564B (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109150564A (zh) | 一种用于小区故障告警的预测方法及装置 | |
CN108566364B (zh) | 一种基于神经网络的入侵检测方法 | |
CN102098180B (zh) | 一种网络安全态势感知方法 | |
CN113360358B (zh) | 一种自适应计算it智能运维健康指数的方法及系统 | |
CN113572625B (zh) | 故障预警方法、预警装置、设备及计算机介质 | |
CN110837963A (zh) | 一种基于数据、模型及策略的风险控制平台建设方法 | |
CN108989075A (zh) | 一种网络故障定位方法及系统 | |
CN107770797A (zh) | 一种无线网络告警管理的关联分析方法及系统 | |
CN110162970A (zh) | 一种程序处理方法、装置以及相关设备 | |
CN110139067A (zh) | 一种野生动物监测数据管理信息系统 | |
CN109872003A (zh) | 对象状态预测方法、系统、计算机设备及存储介质 | |
CN106503863A (zh) | 基于决策树模型的年龄特征的预测方法、系统及终端 | |
CN110891283A (zh) | 一种基于边缘计算模型的小基站监控装置及方法 | |
CN110188834A (zh) | 一种电力通信网的故障诊断方法、装置及设备 | |
CN115099335A (zh) | 多源异构数据的异常辨识和特征筛选方法、系统 | |
CN111953543A (zh) | 一种基于pca-ahp的量子通信网络可靠性状况的评估方法 | |
CN115358155A (zh) | 一种电力大数据异常预警方法、装置、设备及可读存储介质 | |
CN114338351B (zh) | 网络异常根因确定方法、装置、计算机设备及存储介质 | |
Klement et al. | Using SOM in the performance monitoring of the emergency call-taking system | |
CN117041312A (zh) | 基于物联网的企业级信息技术监控系统 | |
CN109871711B (zh) | 海洋大数据共享分发风险控制模型及方法 | |
CN115619539A (zh) | 贷前风险评价方法以及装置 | |
Horsmanheimo et al. | NES—Network Expert System for heterogeneous networks | |
CN111914905B (zh) | 一种基于半监督的反爬虫系统及设计方法 | |
CN114663698A (zh) | 生产违规事件检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |