CN109787786B - 一种基于次数折算的退服告警分析处理方法和系统 - Google Patents

Abstract

本申请提供了一种基于次数折算的退服告警分析处理方法和系统，其特征在于，所述方法包括：获取全网告警数据中的退服告警数据；对所述退服告警进行次数折算，计算小区退服率；根据预设价值分档规则对小区进行分档，获得所述小区的价值退服率指标；根据小区场景维度划分标准对所述小区的小区退服率和价值退服率指标进行统计；根据预设的整改规则，按照时间和离散次数统计两个维度设置小区整改库，对所述小区整改库中的小区进行持续判断，并对入库次数较多的小区进行预警分析。本申请基于影响业务告警的大数据智能分析和预警，实现高价值小区精确优先处理；建立整改库机制，对小区处理效果进行长期有效跟踪和预警。

Description

一种基于次数折算的退服告警分析处理方法和系统

技术领域

本申请涉及移动通信网无线技术领域，特别地，涉及一种基于次数折算的退服告警分析处理方法和系统。

背景技术

在各类告警中，退服告警及其相关衍生告警对业务影响最大，退服，顾名思义，就是退出服务，无法工作，也就是中断该物理器件下的所有服务。这累计于生活中发生的罢工事件。小区退服告警即小区建立失败，所有业务中断。当小区建立失败或小区退出服务，并且原因不是配置管理员人为闭塞时，产生小区退服告警。因小区退服导致区域无该小区无线信号，无线信号改变，易形成导频污染或弱覆盖，部分热点区域因服务小区减少，易形成业务拥塞，小区负荷激增，用户无法使用网络，速率降低，信号质量差。这些问题严重影响用户业务，导致客户感知度降低。设备隐形故障时，小区无告警上报，但用户无法正常进行各项业务。

设备告警和隐形故障的突发性、偶然性，给日常维护工作带来了很大的困难。如何对退服告警进行全面准确地分析，提前预警、快速有效地处理设备告警，做到早预防早处理，是日常维护工作的重点和难点。

目前退服告警方式为：工单处理。

工单处理包括告警上报或10086投诉、工单生成、工单派发、工单受理、工单质检五部分。如果退服告警或隐形故障存在时间较长，无法提前对问题进行预警，无法及时对问题进行处理，需在问题暴露且用户投诉后再进行处理。周期长，效率低下，不能解决前期预期、高效处理影响业务告警的问题。

但是，现有技术的工单处理存在以下缺陷：

第一，仅对小区级退服告警进行工单处理，针对室分、高速高铁和拉远小区RRU级告警监控较少。因此，省公司无法对室分、高速高铁和拉远小区射频拉远单元(RadioRemote Unit，RRU)级退服告警进行跟踪。

第二，仅对退服告警和用户投诉进行派单处理，没有涉及退服告警等对业务影响程度量化审核，因此，省公司无法对退服告警导致的业务影响进行量化审核，由于。

第三，目前派单为时间顺序，先产生先处理方式，无法对高价值场景小区进行优先处理，因此，省公司无法对高价值小区进行优先处理。

第四，由于小区退服告警的突发性和偶然性，小区告警条数多，对影响业务告警分析不足。因此，省公司无法长时间、高频次和连续退服小区进行统计审核。

第五，由于退服等告警处理后，无告警存在，则工单闭环，因此，省公司不能对该小区进行长期跟踪，无法对处理效果的长期性进行审核，不能真正执行把控地“处理长期有效”。

第六，只能通过人工对退服告警进行统计和审核分析，效率低下。

发明内容

本申请提供一种基于次数折算的退服告警分析处理方法和系统，用于解决现有技术没有对影响业务的退服告警进行深度分析，缺少室分、高速高铁和拉远小区RRU级告警监控，没有对影响业务的程度进行量化，不能准确对全网退服告警和零寻呼小区预警的问题。

本申请公开的一种基于次数折算的退服告警分析处理方法，其特征在于，所述方法包括：

获取全网告警数据中的退服告警数据；其中，所述全网告警数据包括退服告警，所述退服告警包括小区告警数据和踢重后小区及RRU告警数据；

对所述退服告警进行次数折算，计算小区退服率，所述小区退服率为合计退服次数与小区总数的商；

根据预设价值分档规则对小区进行分档，各档位设置不同的价值系数，获得所述小区的价值退服率指标；

根据小区场景维度划分标准对所述小区的小区退服率和价值退服率指标进行统计，依据场景维度和/或TOP小区维度划分小区退服告警处理的优先级；

根据预设的整改规则，按照时间和离散次数统计两个维度设置小区整改库，对所述小区整改库中的小区进行持续判断，并对入库次数较多的小区进行预警分析。

优选地，所述获取全网告警数据中的退服告警数据，具体包括：

接收OMC上报的告警数据，获取全网告警数据，其中，所述全网告警数据包括退服告警；

将所述退服告警按照小区粒度和RRU粒度进行梳理，分为小区告警和RRU告警；

根据告警数据预处理规则，将覆盖场景为高速高铁和拉远小区的告警的覆盖类型统一更改为预设覆盖类型，仅保留预设覆盖类型的小区告警数据和RRU告警数据；

将覆盖类型为所述预设覆盖类型的RRU告警数据从小区告警数据中踢重，并从小区告警数据中删除同一CGI下的小区告警数据；

合并RRU告警数据和踢重后的小区告警数据，得到全网告警数据中的退服告警数据。

优选地，所述小区退服率为合计退服次数与小区总数的商，

其中，所述合计退服次数的获取方法，具体包括：

设定退服次数折算的时间基点；

对退服告警清除时间与退服告警开始时间的差值与所述时间基点的商进行向上取整得到小区的退服次数，并根据小区数对所述得到的小区退服次数求和，得出所有小区的退服次数；

按日粒度统计小区的零寻呼退服次数为预设值，设定由于频繁闪断导致小区RRU告警的退服次数设置规则；

计算所有小区的退服次数和小区的零寻呼退服次数之和为所述合计退服次数；

所述小区总数的获取方法，具体包括：

计算现网小区总数与发生RRU退服所在小区的RRU数的和，将所述和进行踢重操作，得到所述小区总数。

优选的，所述预设值优选为4次，所述设置规则指由于频繁闪断导致小区RRU告警的次数大于或等于10次时，记录告警次数为10次；

当天退服次数统计时，退服告警清除时间和退服告警开始时间按实际情况进行统计；跨天退服次数统计时，退服告警清除时间和退服告警开始时间统一设置为固定值；

以RRU退服小区匹配OMC小区所对应的RRU数得到所述RRU数，以RRU退服小区作为所述发生RRU退服所在小区数。

优选地，所述根据价值分档规则对小区进行分档，各档位设置不同的价值系数，得到价值退服率指标，具体包括：

依据业务量和高口碑区域将小区进行档位划分，各档位设置不同的价值系数；

计算小区的退服次数，所述价值退服率指标为小区的退服次数与所述小区对应的价值系数的乘积。

优选地，所述根据小区场景维度划分标准对所述小区的小区退服率和价值退服率指标进行统计，依据场景维度和/或TOP小区维度划分小区退服告警处理的优先级，具体包括：

按场景维度对小区进行场景描述，将全网小区划分为网格、一般城区、室分、风景区、干线和农村六个场景，根据所述小区的场景维度对所述小区的小区退服率和价值退服率指标进行统计；

根据小区退服告警数据，依据告警时间、告警频次和/或告警次数维度，得出TOP小区，所述TOP小区包括超长小区、超短时间小区、超频退服小区、连续零寻呼小区和连续告警小区。

优选地，所述根据预设的整改规则，按照时间和离散次数统计两个维度设置小区整改库，具体包括：

按照时间维度，统计过去M天中N天发生退服的小区统计表，输出M天中各小区的累计退服次数；

按照离散次数统计维度，输出M天中累计退服次数大于L次的小区；

所述整改规则设定整改库入库规则为：将一定天数内一半以上天数有退服次数的小区或一定天数内累计退服次数大于等于预设值的小区入库，所述退服次数包括小区的退服次数和零寻呼退服次数之和；

所述整改规则设定整改库出库规则为：小区入库后连续上述一半以上天数未发生退服的小区出库；

统计每日的整改库入库表，并与历史库汇总，按照上述入库规则和出库规则得到最终每日隐患库。

本申请公开的一种基于次数折算的退服告警分析处理系统，其特征在于，所述系统包括：

告警数据处理模块，用于获取全网告警数据中的退服告警数据；其中，所述全网告警数据包括退服告警，所述退服告警包括小区告警数据和踢重后小区及RRU告警数据；

小区退服率计算模块，用于对所述退服告警进行次数折算，计算小区退服率，所述小区退服率为合计退服次数与小区总数的商；

价值退服率指标计算模块，用于根据价值分档规则对小区进行分档，各档位设置不同的价值系数，得到价值退服率指标；

小区退服告警优先级划分模块，用于根据小区场景维度划分标准对所述小区的小区退服率和价值退服率指标进行统计，依据场景维度和/或TOP小区维度划分小区退服告警处理的优先级；

整改模块，用于根据预设的整改规则，按照时间和离散次数统计两个维度设置小区整改库，对所述小区整改库中的小区进行持续判断，并对入库次数较多的小区进行预警分析。

优选的，所述小区退服率计算模块，具体包括：

合计退服次数计算子模块，用于获取所述合计退服次数，具体包括：

时间基点设定单元，用于设定退服次数折算的时间基点；

累计退服次数计算单元，用于对退服告警清除时间与退服告警开始时间的差值与所述时间基点的商进行向上取整得到小区的退服次数，并根据小区数求和，得出所有小区的退服次数；

按日粒度统计小区的零寻呼退服次数为预设值，设定由于频繁闪断导致小区RRU告警的退服次数设置规则；

计算所有小区的退服次数和小区的零寻呼退服次数之和为所述累计退服次数；

小区总数计算子模块，用于获取小区总数，具体包括：计算现网小区总数与发生RRU退服所在小区的RRU数的和，将所述和进行踢重操作，得到所述小区总数。

优选的，所述预设值优选为4次，所述设置规则指由于频繁闪断导致小区RRU告警的次数大于或等于10次时，记录告警次数为10次；

当天退服次数统计时，退服告警清除时间和退服告警开始时间按实际情况进行统计；跨天退服次数统计时，退服告警清除时间和退服告警开始时间统一设置为固定值；

以RRU退服小区匹配OMC小区所对应的RRU数得到所述RRU数，以RRU退服小区作为所述发生RRU退服所在小区数。

与现有技术相比，本申请基于影响业务告警的大数据智能分析和预警，采用一套全新的基于退服告警和零寻呼小区影响业务程度量化的算法，通过对退服告警时长和零寻呼小区进行退服折算，实现小区退服次数统计；对小区进行分档，采用价值分档系数，实现高价值小区精确优先处理；建立整改库机制，设定入库和出库规则，对小区处理效果进行长期有效跟踪。本申请具有以下优点：

解决室分、高速高铁和拉远小区RRU级退服告警无法监控问题，细化至RRU级告警，有效提升告警分析深度，便于后续对影响业务告警进行智能分析；

解决影响业务告警无法量化的问题，精确地对告警程度进行量化，便于对全网告警处理效果进行持续跟踪审核；

解决告警处理优先级的问题，传统告警工单处理为时间顺序，本申请通过小区价值分档，可优先对高价值小区进行告警处理，避免用户投诉，将业务影响降至最小；

解决小区退服告警分析不足的问题，可分场景和告警粒度等维度进行智能分析，传统告警分析因告警多、时间处理困难等原因，对告警分析较少，缺乏深度分析，无法及早处理，本申请可达到主动预防的效果；

解决告警处理效果审核的问题，传统告警处理质检为无告警存在即可，本申请针对小区告警反复性的特点，对告警处理效果采用新的审核方法，提升处理效果。

附图说明

附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：

图1为本申请实施例一种基于次数折算的退服告警分析处理方法的流程图；

图2为本申请全网告警数据处理示意图；

图3为本申请实施例一种基于次数折算的退服告警分析处理系统的结构示意图。

具体实施方式

为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。

在本申请的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。“多个”的含义是两个或两个以上，除非另有明确具体的限定。术语“包括”、“包含”及累计术语应该被理解为是开放性的术语，即“包括/包含但不限于”。术语“基于”是“至少部分地基于”。术语“一实施例”表示“至少一个实施例”；术语“另一实施例”表示“至少一个另外的实施例”。其他术语的相关定义将在下文描述中给出。

参照图1，示出了本申请实施例一种基于次数折算的退服告警分析处理方法流程图，本优选方法实施例包括以下步骤：

步骤S101：获取全网告警数据中的退服告警数据；其中，所述全网告警数据包括退服告警，所述退服告警包括小区告警数据和踢重后小区及RRU告警数据。

参见图2，接收处理OMC上报的退服告警，得出全网告警数据，其中，所述全网告警数据包括退服告警：

将所述退服告警按照小区粒度和RRU粒度分为小区告警和RRU告警；

处理操作服务中心(Operation and Maintenance Center，OMC)上报退服告警，退服告警共计12项，其中射频拉远单元(Radio Remote Unit，RRU)粒度退服告警3项，小区粒度退服告警9项，分为长期演进(Long Term Evolution，LTE)网络5项，全球移动通信系统(Global System for Mobile Communication，GSM)网络4项，退服告警信息如表1所示：

表1退服告警信息

根据告警数据预处理规则，将覆盖场景为高速高铁和拉远小区的告警的覆盖类型统一更改为预设覆盖类型，优选“室内”，仅保留覆盖类型为“室内”的小区告警数据和RRU告警数据；

将覆盖类型为“室内”的RRU告警数据从小区告警数据中踢重，并从小区告警数据中删除同一通用网关接口(Common Gateway Interface，CGI)下的小区告警数据；

合并RRU告警数据和踢重后的小区告警数据，得到全网告警数据中的退服告警数据。

步骤S102：对所述退服告警进行次数折算，计算小区退服率，所述小区退服率为合计退服次数与小区总数的商。

具体实施时，所述合计退服次数的获取方法，包括：

设定退服次数折算的时间基点；

对退服告警清除时间与退服告警开始时间的差值与所述时间基点的商进行向上取整得到小区的退服次数，并根据小区数求和，得出所有小区的退服次数；

按日粒度统计小区的零寻呼退服次数为预设值，设定由于频繁闪断导致小区RRU告警的退服次数设置规则；

计算所有小区的退服次数和小区的零寻呼退服次数之和为所述合计退服次数。

所述小区总数的获取方法，具体包括：

计算现网小区总数与发生RRU退服所在小区的RRU数的和，将所述和进行踢重操作，即用所述和减去发生RRU退服所在小区数，得到所述小区总数。

优选的，所述时间基点为4，预设值优选为4次，即零寻呼小区按日粒度统计，全天零寻呼的小区退服次数记为4次；所述设置规则指由于频繁闪断导致小区RRU告警的次数大于或等于10次时，记录告警次数为10次。

优选的，计算公式表示为：

当天退服次数统计时，退服告警清除时间和退服告警开始时间按实际情况进行统计。

跨天退服次数统计时，退服告警清除时间和退服告警开始时间统一设置为固定值，优选的，退服告警清除时间设为23:00，第二天的退服告警开始时间设为8:00。

以RRU退服小区匹配OMC小区所对应的RRU数得到所述RRU数，以RRU退服小区作为所述发生RRU退服所在小区数。

步骤S103：根据价值分档规则对小区进行分档，各档位设置不同的价值系数，得到价值退服率指标。所述价值退服率指标可便于对高价值小区进行重点优先处理。

本优选实施例中，具体包括：

依据业务量和高口碑区域将小区进行档位划分，各档位设置不同的价值系数；

计算小区的退服次数，所述价值退服率指标为小区的退服次数与所述小区对应的价值系数的乘积。

所述价值分档规则优选为，依据业务量和高口碑区域等将小区分为六档：

1、宏站(剔除拉远)：根据各分公司的GSM和LTE的业务量，均按2:6:2的比例分配第一、二、三档，分别对应价值系数为1.5、1.0和0.5；

2、室分(含拉远)：根据各分公司的GSM和LTE的业务量，均按2:6:2的比例分配第四、五、六档，在价值系数为1.5、1.0和0.5的基础上分别乘以0.5得到对应的价值系数为0.75、0.5和0.25。

3、所有宏站和室分的高口碑区域(五高一地美食风景区)小区分别归入第一档和第四档；

4、LTE室分小区设备为LampSite时，将相应小区由第四/第五档修改为第六档。

步骤S104：根据小区场景维度划分标准对所述小区的小区退服率和价值退服率指标进行统计，依据场景维度和/或TOP小区维度划分小区退服告警处理的优先级。

在小区退服率和价值退服率指标算法上，可对小区进行场景划分，按场景维度对退服率指标进行统计，目前全网小区可优选划分为六大场景18个子场景，如表2所示：

表2小区场景描述

根据小区退服告警数据，可从告警时间、告警频次和/或告警次数不同维度，对退服小区进行分析，将超长、超短时间、超频、连续零寻呼和连续告警小区设为TOP小区，并对所述TOP小区进行程序自动输出，便于维护人员对TOP小区进行优先处理，提升工作效果。

top小区类型	类型规则
		超长小区	告警时长大于4小时
超短时间小区	告警时长小于5分钟
		超频退服	告警在5分钟内大于3次
连续零寻呼	连续7天都是零寻呼
		连续告警	连续7天都出现告警

表3 TOP小区类型规则

步骤S105：根据预设的整改规则，按照时间和离散次数统计两个维度设置小区整改库，对所述小区整改库中的小区进行持续判断，并对入库次数较多的小区进行预警分析。

制定整改规则，按照时间维度和离散次数统计维度两个维度对退服小区进行整改，对在整改库中的小区进行集中化重点处理，基于规则对小区进行重点监控预警和持续跟踪处理。

优选的，所述小区整改库规则说明如下：

按照时间维度，统计过去M天中N天发生退服的小区统计表或详表(M≥N，M和N为自然数)，输出M天中各小区的累计退服次数；

按照离散次数统计维度输出，M天中累计退服次数大于L次的小区。

目前采用的的整改库出入库规则优选如下：

入库规则：将7天内超过3天有退服次数的小区或7天内累计退服次数大于等于12次的小区入库，所述退服次数包括小区的退服次数和零寻呼退服次数之和。其中，所述7、3、12可根据实际情况选择性设置。

所述整改规则设定整改库出库规则为：将入库后连续3天未发生退服的小区出库。

统计每日的整改库入库表：每日按规则首先生成入库表，并与历史隐患库汇总；然后按规则将符合条件的小区出库，并得到最终每日隐患库。

如当天针对特定小区既有入库又有出库情况，以出库优先，且入库次数不加1。

在库天数指问题小区入库时间至目前天数。

入库次数指问题小区进入隐患库次数，历史数据累计统计。

每天滚动对全网退服告警和零寻呼小区进行出入库判定，并对未出库小区进行持续时间判断，通过在库天数，对告警处理结果进行长期有效跟踪；可统计问题小区入库次数，对入库次数较多小区进行预警，及早对问题小区进行处理，避免小区进一步恶化，影响用户业务。

对于前述的各方法实施例，为了描述简单，故将其都表述为一系列的动作组合，但是本领域的技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为根据本申请，某些步骤可以采用其他顺序或同时执行；其次，本领域技术人员也应该知悉，上述方法实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。

参照图3，示出了本申请实施例一种基于次数折算的退服告警分析处理系统的结构示意图，所述系统，包括：

告警数据处理模块31，用于获取全网告警数据中的退服告警数据；其中，所述全网告警数据包括退服告警，所述退服告警包括小区告警数据和踢重后小区及RRU告警数据；

小区退服率计算模块32，用于对所述退服告警进行次数折算，计算小区退服率，所述小区退服率为合计退服次数与小区总数的商；

价值退服率指标计算模块33，用于根据价值分档规则对小区进行分档，各档位设置不同的价值系数，得到价值退服率指标；

小区退服告警优先级划分模块34，用于根据小区场景维度划分标准对所述小区的小区退服率和价值退服率指标进行统计，依据场景维度和/或TOP小区维度划分小区退服告警处理的优先级；

整改模块35，用于根据预设的整改规则，按照时间和离散次数统计两个维度设置小区整改库，对所述小区整改库中的小区进行持续判断，并对入库次数较多的小区进行预警分析。

优选的，所述小区退服率计算模块32，包括：

合计退服次数计算子模块，用于获取所述合计退服次数，具体包括：

时间基点设定单元，用于设定退服次数折算的时间基点；

累计退服次数计算单元，用于对退服告警清除时间与退服告警开始时间的差值与所述时间基点的商进行向上取整得到小区的退服次数，并根据小区数求和，得出所有小区的退服次数；

按日粒度统计小区的零寻呼退服次数为预设值，设定由于频繁闪断导致小区RRU告警的退服次数设置规则；

计算所有小区的退服次数和小区的零寻呼退服次数之和为所述累计退服次数；

小区总数计算子模块，用于获取小区总数，具体包括：

计算现网小区总数与发生RRU退服所在小区的RRU数的和，将所述和进行踢重操作，即减去发生RRU退服所在小区数，得到所述小区总数。

优选的，所述预设值优选为4次，所述设置规则指由于频繁闪断导致小区RRU告警的次数大于或等于10次时，记录告警次数为10次；

当天退服次数统计时，退服告警清除时间和退服告警开始时间按实际情况进行统计；跨天退服次数统计时，退服告警清除时间和退服告警开始时间统一设置为固定值；

以RRU退服小区匹配OMC小区所对应的RRU数得到所述RRU数，以RRU退服小区作为所述发生RRU退服所在小区数。

需要说明的是，上述系统实施例属于优选实施例，所涉及的单元和模块并不一定是本申请所必须的。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于本申请的装置实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上对本申请所提供的一种基于次数折算的退服告警分析处理方法和系统，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。

Claims (6)

1.一种基于次数折算的退服告警分析处理方法，其特征在于，包括：

获取全网告警数据中的退服告警数据；其中，所述全网告警数据包括退服告警，所述退服告警包括小区告警数据和踢重后小区及RRU告警数据；

对所述退服告警进行次数折算，计算小区退服率，所述小区退服率为合计退服次数与小区总数的商；其中，所述合计退服次数的获取方法，具体包括：

设定退服次数折算的时间基点；

对退服告警清除时间与退服告警开始时间的差值与所述时间基点的商进行向上取整得到小区的退服次数，并根据小区数对所述得到的小区退服次数求和，得出所有小区的退服次数；

按日粒度统计小区的零寻呼退服次数为预设值，设定由于频繁闪断导致小区RRU告警的退服次数设置规则；

计算所有小区的退服次数和小区的零寻呼退服次数之和为所述合计退服次数；

所述小区总数的获取方法，具体包括：

计算现网小区总数与发生RRU退服所在小区的RRU数的和，将所述和进行踢重操作，得到所述小区总数；

根据预设价值分档规则对小区进行分档，各档位设置不同的价值系数，获得所述小区的价值退服率指标；

根据小区场景维度划分标准对所述小区的小区退服率和价值退服率指标进行统计，依据场景维度和/或TOP小区维度划分小区退服告警处理的优先级，具体包括：按场景维度对小区进行场景描述，将全网小区划分为网格、一般城区、室分、风景区、干线和农村六个场景，根据所述小区的场景维度对所述小区的小区退服率和价值退服率指标进行统计；

根据小区退服告警数据，依据告警时间、告警频次和/或告警次数维度，得出TOP小区，所述TOP小区包括超长小区、超短时间小区、超频退服小区、连续零寻呼小区和连续告警小区；根据预设的整改规则，按照时间和离散次数统计两个维度设置小区整改库，对所述小区整改库中的小区进行持续判断，并对入库次数较多的小区进行预警分析；其中，所述根据预设的整改规则，按照时间和离散次数统计两个维度设置小区整改库，具体包括：

按照时间维度，统计过去M天中N天发生退服的小区统计表，输出M天中各小区的累计退服次数；

按照离散次数统计维度，输出M天中累计退服次数大于L次的小区；

所述整改规则设定整改库入库规则为：将一定天数内一半以上天数有退服次数的小区或一定天数内累计退服次数大于等于预设值的小区入库，所述退服次数包括小区的退服次数和零寻呼退服次数之和；

所述整改规则设定整改库出库规则为：小区入库后连续上述一半以上天数未发生退服的小区出库；

统计每日的整改库入库表，并与历史库汇总，按照上述入库规则和出库规则得到最终每日隐患库。

2.根据权利要求1所述的方法，其特征在于，所述获取全网告警数据中的退服告警数据，具体包括：

接收OMC上报的告警数据，获取全网告警数据，其中，所述全网告警数据包括退服告警；

将所述退服告警按照小区粒度和RRU粒度进行梳理，分为小区告警和RRU告警；

根据告警数据预处理规则，将覆盖场景为高速高铁和拉远小区的告警的覆盖类型统一更改为预设覆盖类型，仅保留预设覆盖类型的小区告警数据和RRU 告警数据；

将覆盖类型为所述预设覆盖类型的RRU告警数据从小区告警数据中踢重，并从小区告警数据中删除同一CGI下的小区告警数据；

合并RRU告警数据和踢重后的小区告警数据，得到全网告警数据中的退服告警数据。

3.根据权利要求1所述的方法，其特征在于：

所述预设值优选为4次，所述设置规则指由于频繁闪断导致小区RRU告警的次数大于或等于10次时，记录告警次数为10次；

当天退服次数统计时，退服告警清除时间和退服告警开始时间按实际情况进行统计；跨天退服次数统计时，退服告警清除时间和退服告警开始时间统一设置为固定值；

以RRU退服小区匹配OMC小区所对应的RRU数得到所述RRU数，以RRU退服小区作为所述发生RRU退服所在小区数。

4.根据权利要求1所述的方法，其特征在于，所述根据价值分档规则对小区进行分档，各档位设置不同的价值系数，得到价值退服率指标，具体包括：

依据业务量和高口碑区域将小区进行档位划分，各档位设置不同的价值系数；

计算小区的退服次数，所述价值退服率指标为小区的退服次数与所述小区对应的价值系数的乘积。

5.一种基于次数折算的退服告警分析处理系统，其特征在于，包括：

告警数据处理模块，用于获取全网告警数据中的退服告警数据；其中，所述全网告警数据包括退服告警，所述退服告警包括小区告警数据和踢重后小区及RRU告警数据；

小区退服率计算模块，用于对所述退服告警进行次数折算，计算小区退服率，所述小区退服率为合计退服次数与小区总数的商；其中，所述小区退服率计算模块，具体包括：

合计退服次数计算子模块，用于获取所述合计退服次数，具体包括：

时间基点设定单元，用于设定退服次数折算的时间基点；

累计退服次数计算单元，用于对退服告警清除时间与退服告警开始时间的差值与所述时间基点的商进行向上取整得到小区的退服次数，并根据小区数求和，得出所有小区的退服次数；

计算所有小区的退服次数和小区的零寻呼退服次数之和为所述累计退服次数；

小区总数计算子模块，用于获取小区总数，具体包括：计算现网小区总数与发生RRU退服所在小区的RRU数的和，将所述和进行踢重操作，得到所述小区总数；价值退服率指标计算模块，用于根据价值分档规则对小区进行分档，各档位设置不同的价值系数，得到价值退服率指标；

小区退服告警优先级划分模块，用于根据小区场景维度划分标准对所述小区的小区退服率和价值退服率指标进行统计，依据场景维度和/或TOP小区维度划分小区退服告警处理的优先级，其中，划分小区退服告警处理的优先级具体包括：

按场景维度对小区进行场景描述，将全网小区划分为网格、一般城区、室分、风景区、干线和农村六个场景，根据所述小区的场景维度对所述小区的小区退服率和价值退服率指标进行统计；

根据小区退服告警数据，依据告警时间、告警频次和/或告警次数维度，得出TOP小区，所述TOP小区包括超长小区、超短时间小区、超频退服小区、连续零寻呼小区和连续告警小区；

整改模块，用于根据预设的整改规则，按照时间和离散次数统计两个维度设置小区整改库，对所述小区整改库中的小区进行持续判断，并对入库次数较多的小区进行预警分析；其中，所述根据预设的整改规则，按照时间和离散次数统计两个维度设置小区整改库，具体包括：

按照时间维度，统计过去M天中N天发生退服的小区统计表，输出M天中各小区的累计退服次数；

按照离散次数统计维度，输出M天中累计退服次数大于L次的小区；

所述整改规则设定整改库入库规则为：将一定天数内一半以上天数有退服次数的小区或一定天数内累计退服次数大于等于预设值的小区入库，所述退服次数包括小区的退服次数和零寻呼退服次数之和；

所述整改规则设定整改库出库规则为：小区入库后连续上述一半以上天数未发生退服的小区出库；

统计每日的整改库入库表，并与历史库汇总，按照上述入库规则和出库规则得到最终每日隐患库。

6.根据权利要求5所述的系统，其特征在于：

所述预设值优选为4次，设置规则指由于频繁闪断导致小区RRU告警的次数大于或等于10次时，记录告警次数为10次；

当天退服次数统计时，退服告警清除时间和退服告警开始时间按实际情况进行统计；跨天退服次数统计时，退服告警清除时间和退服告警开始时间统一设置为固定值；

以RRU退服小区匹配OMC小区所对应的RRU数得到所述RRU数，以RRU退服小区作为所述发生RRU退服所在小区数。

Images