CN110868732B - VoLTE接通无线失败的问题定位方法、系统和设备 - Google Patents

VoLTE接通无线失败的问题定位方法、系统和设备 Download PDF

Info

Publication number
CN110868732B
CN110868732B CN201810982932.9A CN201810982932A CN110868732B CN 110868732 B CN110868732 B CN 110868732B CN 201810982932 A CN201810982932 A CN 201810982932A CN 110868732 B CN110868732 B CN 110868732B
Authority
CN
China
Prior art keywords
data
volte
multidimensional
algorithm
eci
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.)
Active
Application number
CN201810982932.9A
Other languages
English (en)
Other versions
CN110868732A (zh
Inventor
陈赞吉
饶文涛
周智洪
黄家杰
袁子琳
许永刚
李远忠
石艳
韩永佳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Group Guangdong Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Guangdong Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Group Guangdong Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201810982932.9A priority Critical patent/CN110868732B/zh
Publication of CN110868732A publication Critical patent/CN110868732A/zh
Application granted granted Critical
Publication of CN110868732B publication Critical patent/CN110868732B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/04—Arrangements for maintaining operational condition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明实施例提供一种VoLTE接通无线失败的问题定位方法、系统和设备，定位方法包括：以时间数据和ECI为关联匹配项，在VoLTE信令话单大数据中关联并获取若干个VoLTE信令话单对应的若干组多维数据；将若干个VoLTE信令话单对应的若干组多维数据输入训练好的定界算法模型中，通过随机森林算法，获取问题定位结果。本发明实施例获取的数据是多维的，能够最大限度复用网络现有资源，无附加网络成本。能够精准定位VoLTE接通无线失败问题所在。并且，从VoLTE信令话单大数据中持续不断地关联多维数据能够规避现有技术中存在的数据的周期和范围的限制。

Description

VoLTE接通无线失败的问题定位方法、系统和设备
技术领域
本发明实施例涉及通信技术领域，更具体地，涉及一种VoLTE接通无线失败的问题定位方法、系统和设备。
背景技术
随着通信事业，尤其是4G通信的快速发展，VoLTE作为一种数据传输技术也得到了快速的发展。VoLTE即Voice over LTE，是基于IMS的语音业务。它是一种IP数据传输技术，无需2G/3G网，全部业务承载于4G网络上，可实现数据与语音业务在同一网络下的统一。换言之，4G网络下不仅仅提供高速率的数据业务，同时还提供高质量的音视频通话，后者便需要VoLTE技术来实现。
而在VoLTE技术的应用当中，常常出现接通无线失败这样的问题，现在就出现了很多解决VoLTE接通无线失败的问题定位方法和对应的优化方案，其中业界常见的方法如下：首先采集移动通信网无线接入网的信令数据和语音数据，并进行信令和语音的关联。然后分析采集到的数据，并根据语音质量的分析结果判断出无线网络的问题，优化无线网络的语音质量，自动判断用户在通话过程中的语音包的特征特性和语音内容的特征特性，来分析语音质量，并且根据信令定位语音质量问题的小区、用户号码、终端类型、位置等信息，发现无线网络的问题，优化无线网络，提高语音质量。
但是，现有技术中的这种方法还存在有如下弊端：仅仅采集接入网信令和语音数据分析问题，数据维度单一，也不能快速定界非无线问题；依靠总结的特征特性去判断对应的指标问题，人工干扰因素大，与真实情况存在较大偏差，稳定性欠佳；接入网软采信令数据存在采集周期和范围限制，对于评估支撑有限。
发明内容
针对现有技术存在的问题，本发明实施例提供一种VoLTE接通无线失败的问题定位方法、系统和设备。
第一方面，本发明实施例提供一种VoLTE接通无线失败的问题定位方法，包括：以时间数据和ECI为关联匹配项，在VoLTE信令话单大数据中关联并获取若干个VoLTE信令话单对应的若干组多维数据；将所述若干个VoLTE信令话单对应的若干组多维数据输入训练好的定界算法模型中，通过随机森林算法，获取问题定位结果；其中，任一VoLTE信令话单对应于一组多维数据，一个VoLTE信令话单对应的一组多维数据包括网络工参数据、故障告警数据、网管KPI数据、北向MR数据、干扰排查数据、无线KPI数据、OMC参数、RF参数和停闭站信息数据中的任意多种。
第二方面，本发明实施例提供一种VoLTE接通无线失败的问题定位系统，包括：关联模块，用于以时间数据和ECI为关联匹配项，在VoLTE信令话单大数据中关联并获取若干个VoLTE信令话单对应的若干组多维数据；获取模块，用于将所述若干个VoLTE信令话单对应的若干组多维数据输入训练好的定界算法模型中，通过随机森林算法，获取问题定位结果；其中，任一VoLTE信令话单对应于一组多维数据，一个VoLTE信令话单对应的一组多维数据包括网络工参数据、故障告警数据、网管KPI数据、北向MR数据、干扰排查数据、无线KPI数据、OMC参数、RF参数和停闭站信息数据中的任意多种。
第三方面，本发明实施例提供一种电子设备，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如上述第一方面所述的问题定位方法。
第四方面，本发明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如上述第一方面所述的问题定位方法。
本发明实施例提供的VoLTE接通无线失败的问题定位方法、系统和设备，通过设置在VoLTE信令话单大数据中关联多维数据，获取的数据是多维的，解决了现有技术中的数据维度单一的问题，能够最大限度复用网络现有资源，无附加网络成本，全面客观，最大限度溯源问题。设置通过训练好的定界算法模型获取问题定位结果，能够利用机器学习的学习特性，精准定位VoLTE接通无线失败问题所在，解决了现有技术中存在的依靠总结的特征特性去判断对应的指标问题所导致的不准确、缺乏稳定性的问题。并且，从VoLTE信令话单大数据中持续不断地关联多维数据能够规避现有技术中存在的数据的周期和范围的限制。
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为本发明VoLTE接通无线失败的问题定位方法实施例的流程图；
图2为本发明实施例中的随机森林算法实现的过程示意图；
图3为本发明VoLTE接通无线失败的问题定位系统实施例的模块图；
图4为本发明实施例中的电子设备的框架示意图。
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作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为本发明VoLTE接通无线失败的问题定位方法实施例的流程图，如图1所示，包括：S101、以时间数据和ECI为关联匹配项，在VoLTE信令话单大数据中关联并获取若干个VoLTE信令话单对应的若干组多维数据。S102、将所述若干个VoLTE信令话单对应的若干组多维数据输入训练好的定界算法模型中，通过随机森林算法，获取问题定位结果。其中，任一VoLTE信令话单对应于一组多维数据，一个VoLTE信令话单对应的一组多维数据包括网络工参数据、故障告警数据、网管KPI数据、北向MR数据、干扰排查数据、无线KPI数据、OMC参数、RF参数和停闭站信息数据中的任意多种。
具体地，步骤S101中，VoLTE信令话单大数据是VoLTE接通XDR信令数据的基表中的数据。其中，基表为数据库中永久存储的表，并且基表就是实际存在的表，它是实际存储数据的逻辑表示。XDR信令数据代表了大数据的样本，说明本发明实施例是基于大数据实现的。
进一步地，步骤S101是指，以VoLTE接通XDR信令数据为基表，以时间数据和ECI为关联匹配项，在VoLTE信令话单大数据中关联并获取若干个VoLTE信令话单对应的若干组多维数据。上述说明中指出，一个VoLTE信令话单对应的一组多维数据包括网络工参数据、故障告警数据、网管KPI数据、北向MR数据、干扰排查数据、无线KPI数据、OMC参数、RF参数和停闭站信息数据中的任意多种，对于每一维度的数据，均来自于一张对应的表单，例如故障告警数据是通过关联现网故障表获取的。对于这些表，均含有时间数据以及ECI，所以本发明实施例以时间数据和ECI为关联匹配项，将各表关联。在这里需要说明的是，在LTE系统中，ECI和小区号可以一一对应，本发明实施例中ECI和小区视为等同的含义。
下面对本发明实施例中提出的各维数据做出具体的解释：
对于网络工参数据，是LTE中的一种常见的参数数据，包含小区号等基本信息。对于故障告警数据，用于显示现网中存在的故障。对于网管KPI数据，是指网管的关键绩效指标(KPI，Key Performance Indicator)，是网管的绩效数据。对于北向MR数据，MR(Measurement Report，测量报告)数据是用于通信领域的常见的数据，广泛应用于小区话务分析、网络优化以及无线覆盖的评估等工作，对于MR数据来说，南向(原始)MR数据和北向MR数据均是常见的数据。对于干扰排查数据，用于显示现网中存在的干扰记录。对于无线KPI数据，是指无线的关键绩效指标(KPI，Key Performance Indicator)，具体是指接通率、掉话率、寻呼成功率等重要指标。对于OMC参数，即操作维护中心(OMC，Operation andMaintenance Center)参数，是通信领域的常见参数。对于RF参数，即射频(RF，RadioFrequency)参数，是通信领域的常见参数。对于停闭站信息数据，即为对应的小区的基站的停闭站记录信息。本发明实施例还保护包括其他维度数据的方案。
进一步地，步骤S102中，将上一步骤中获取的若干个VoLTE信令话单对应的若干组多维数据作为模型的输入量，将问题定位结果作为模型的输出量。这里提到的模型，即训练好的定界算法模型，顾名思义，训练好的定界算法模型是一种通过训练样本获得的机器学习模型，在本发明的实施例中，训练好的定界算法模型是通过随机森林算法获取的。
对于随机森林算法，其由LeoBreiman在2001年提出，通过自助法(bootstrap)重采样技术，从原始训练样本集N中有放回地重复随机抽取k个样本生成新的训练样本集合，然后根据自助样本集生成k个分类树组成随机森林，新数据的分类结果按分类树投票多少形成的分数而定。
对于本发明的实施例，将若干组多维数据作为自变量，将问题定位结果作为因变量，基于各因变量通过训练学习建立多颗分类树，这样在输入自变量的时候，训练好的定界算法模型可以输出对应于该自变量的问题定位结果。
需要说明的是，本发明实施例中的若干个指代一个或者多个。
本发明实施例提供的VoLTE接通无线失败问题定位方法，通过设置在VoLTE信令话单大数据中关联多维数据，获取的数据是多维的，解决了现有技术中的数据维度单一的问题，能够最大限度复用网络现有资源，无附加网络成本，全面客观，最大限度溯源问题。设置通过训练好的定界算法模型获取问题定位结果，能够利用机器学习的学习特性，精准定位VoLTE接通无线失败问题所在，解决了现有技术中存在的依靠总结的特征特性去判断对应的指标问题所导致的不准确、缺乏稳定性的问题。并且，从VoLTE信令话单大数据中持续不断地关联多维数据能够规避现有技术中存在的数据的周期和范围的限制。
基于上述实施例，所述步骤S102，即将所述若干个VoLTE信令话单对应的若干组多维数据输入训练好的定界算法模型中，通过随机森林算法，获取问题定位结果，具体包括：对于任一ECI，通过K-means聚类算法，将所述任一ECI包括的一个或多个VoLTE信令话单对应的一组或多组多维数据的每一维度的数据聚类为一个聚类数据，将所有维度的聚类数据作为所述任一ECI对应的一组多维聚类数据；将所述任一ECI对应的一组多维聚类数据输入训练好的定界算法模型中，通过随机森林算法，获取所述任一ECI对应的问题定位结果。
具体地，本实施例对于通过训练好的定界算法模型获取问题定位结果做出了具体的解释。
在上述实施例中已经说明：以时间数据和ECI为关联匹配项，在VoLTE信令话单大数据中关联并获取若干个VoLTE信令话单对应的若干组多维数据，并且已经说明本发明实施例中ECI和小区视为等同的含义。在本实施例中，若干个VoLTE信令话单，来自于若干个ECI，同理，任一ECI包括一个或多个VoLTE信令话单，而每一VoLTE信令话单对应于一组多维数据，这样任一ECI就包含一组或多组多维数据，本实施例将任一ECI包含的一组或多组多维数据聚类成一组多维聚类数据。
进一步地，本发明实施例中应用的聚类方法是K-means聚类算法。K-Means聚类算法是基于距离的聚类算法，采用距离作为相似性度量的评价指标，当两个对象离的近，二者之间的距离比较小，那么它们之间的相似性就比较大。这类算法通常是由距离比较相近的对象组成簇，把得到紧凑而且独立的簇作为最终目标。
K-means聚类算法用公式表示是：
Figure GDA0003783311130000071
其中，V代表聚类算法，k为初始聚类中心点个数，xj代表聚类样本集合，Si为非负整数的自然数，j为聚类样本数，μi为聚类中心点。
k个初始类聚类中心点的选取对聚类结果具有较大的影响，因为在该算法第一步中是随机的选取任意k个对象作为初始聚类的中心，初始地代表一个簇。该算法在每次迭代中对数据集中剩余的每个对象，根据其与各个簇中心的距离将每个对象重新赋给最近的簇。当考察完所有数据对象后，一次迭代运算完成，新的聚类中心被计算出来。如果在一次迭代前后，j的值没有发生变化，说明算法已经收敛，算法收敛则代表聚类结束。
通过K-means聚类算法可以实现将任一ECI包含的一组或多组多维数据聚类成一组多维聚类数据。
进一步地，本实施例将通过K-means聚类算法获得的任一ECI对应的一组多维聚类数据输入训练好的定界算法模型中，根据上面描述的随机森林算法，即可获取所述任一ECI对应的问题定位结果。
本发明实施例提供的VoLTE接通无线失败问题定位方法，通过设置通过K-means聚类算法获取任一ECI对应的一组多维聚类数据，能够细致、精准、高效地定位问题。
基于上述实施例，步骤S102中，所述训练好的定界算法模型通过下述步骤获取：以时间数据和ECI为关联匹配项，在VoLTE信令话单大数据中关联多个VoLTE信令话单对应的多组多维数据，获取包括任一VoLTE信令话单的多维数据的初始样本宽表；基于所述初始样本宽表中的任一VoLTE信令话单的多维数据，获取对应于所述任一VoLTE信令话单的问题定位结果，并将所述任一VoLTE信令话单的多维数据和所述任一VoLTE信令话单的问题定位结果作为一个训练样本；将所有训练样本输入待训练的定界算法模型中，通过随机森林算法，获得每一种问题定位结果对应的预设个数组多维数据；基于获得的每一种问题定位结果对应的预设个数组多维数据，获取训练好的定界算法模型。
具体地，在这里说明，本实施例中的用于获取训练样本的多个VoLTE信令话单对应的多组多维数据，其中多个VoLTE信令话单对应的多组多维数据，基数很大。本实施例中的初始样本宽表中包括所述多个VoLTE信令话单对应的多组多维数据。
进一步地，基于所述初始样本宽表中的任一VoLTE信令话单的多维数据，是通过现场测试获取对应于所述任一VoLTE信令话单的问题定位结果，其具体包括：首先，基于所述初始样本宽表中的任一VoLTE信令话单的多维数据，通过人工经验分析获取对应于所述任一VoLTE信令话单的初始问题定位结果。其次，通过现场测试，最终确认对应于所述任一VoLTE信令话单的问题定位结果。
进一步地，将任一VoLTE信令话单的多维数据和任一VoLTE信令话单的问题定位结果作为一个训练样本。通过上述介绍的随机森林算法，能够获得每一种问题定位结果对应的预设个数组多维数据。并基于获得的每一种问题定位结果对应的预设个数组多维数据，获取训练好的定界算法模型。这样在后续将任一ECI对应的一组多维聚类数据输入训练好的定界算法模型中时，就能通过随机森林算法，从预设个数组多维数据获取问题定位结果。
本发明实施例提供的VoLTE接通无线失败问题定位方法，通过设置采用随机森林算法建模，训练好的定界算法模型具备科学系统性，稳定性和可靠性。
进一步地，图2为本发明实施例中的随机森林算法实现的过程示意图，本发明实施例中通过随机森林算法获取训练好的定界算法模型优选通过图2所示的过程。
请参考图2，首先，构建k棵分类树，在本发明实施例中，k指代问题定位结果的个数。构建k棵分类树包括：1)确定原始训练集N。2)对N进行有放回Bootstrap抽样和随机抽样。3)抽样后形成k个自助样本集。4)未被抽样的形成k个袋外数据。
其次，确定分类自变量。确定分类自变量包括：1)设定分类自变量为mall个。2)随机抽取mtry个自变量。3)筛选具备分类能力自变量。4)确定分类自变量分类的阈值。
然后，单棵树培养。单棵树培养包括：1)树的大小不做限制。2)树叶不做修剪。3)生成多棵分类树。
最后，分类预测。分类预测包括：1)分类树组成随机的森林。2)对新数据判别、分类。3)初步分类结果投票。4)输出最终分类结果。
基于上述实施例，所述将所有训练样本输入待训练的定界算法模型中，通过随机森林算法，获得每一种问题定位结果对应的预设个数组多维数据，具体包括：将所有训练样本输入待训练的定界算法模型中，通过随机森林算法，获取每一种问题定位结果对应的若干组多维数据中的每一组多维数据的重要程度值，其中，所述重要程度值根据每一组多维数据的重要性评分和gini指数计算获得；以重要程度值由高到低的顺序，获取前预设个数组多维数据。
具体地，基尼gini指数是指国际上通用的、用以衡量收入差距的常用指标。gini指数介于0-1之间，gini指数越大，表示不平等程度越高。
进一步地，本发明实施例中的重要性评分和gini指数均是基于预设算法自动计算的。本实施例中的重要程度值根据每一组多维数据的重要性评分和gini指数计算获得，其优选方式是：将每一组多维数据的重要性评分，以及每一组多维数据的gini指数分别与重要性评分的权重和gini指数的权重相乘取和。
进一步地，以重要程度值由高到低的顺序，获取前预设个数组多维数据。本发明实施例优选获取前20组多维数据。
本发明实施例提供的VoLTE接通无线失败问题定位方法，通过设置以重要程度值由高到低的顺序，获取前预设个数组多维数据，能够对实际分析接通失败问题重点涉及哪些方面有了清晰的思路，使得各分类结果涉及的自变量一目了然，对于特殊场景下的接通失败原因分析具有重要意义。
基于上述实施例，所述对于任一ECI，通过K-means聚类算法，将所述任一ECI包括的一个或多个VoLTE信令话单对应的一组或多组多维数据的每一维度的数据聚类为一个聚类数据，获取所述任一ECI对应的一组多维聚类数据，具体包括：对于任一ECI包括的一个或多个VoLTE信令话单对应的一组或多组多维数据的所有维度的数据，在每一维度的数据中选取任一数据，将所有选取的数据作为初始聚类中心进行迭代运算，获取一组第一聚类中心，判断迭代后的聚类算法是否收敛；若所述迭代后的聚类算法收敛，则将每一维度的数据中选取的任一数据作为聚类数据，获取所述任一ECI对应的一组多维聚类数据；若所述迭代后的聚类算法不收敛，则基于所述一组第一聚类中心进行再次迭代运算，获取一组第二聚类中心，并判断再次迭代后的聚类算法是否收敛。
具体地，本实施例对于K-means聚类算法应用于本发明实施例提出的VoLTE接通无线失败问题定位方法做出了具体的描述。
需要说明的是，若聚类算法不收敛，则基于新计算出的聚类中心再次迭代，直至收敛，获取任一ECI对应的一组多维聚类数据。
基于上述实施例，所述任一VoLTE信令话单的问题定位结果为MR弱覆盖问题、干扰问题、设备故障问题、容量问题、突发问题和非无线问题中的任一种。
具体地，本实施例对于问题定位结果做出了具体的说明，本实施例以六种问题定位结果为例，本发明还保护包括其它多种问题定位结果的方案。
进一步地，此六种问题定位结果是六个大方向，本发明实施例依照随机森林算法在六种问题定位结果下面会有分支。
进一步地，本实施例中提出的MR弱覆盖问题是指：任一VoLTE信令话单所处基站的主覆盖范围内现场测试RSRP值低于-110dbm；或者为，低于-110dbm的北向MR采样点的占比大于10％。
本实施例中提出的干扰问题是指：干扰排查表中存在干扰记录；或者为，上行PRB上检测到的干扰噪声的平均值大于-110dbm。
本实施例中提出的设备故障问题是指：现网故障表中能匹配到显性设备告警；或者为，E-RAB建立失败次数日均大于10次。
本实施例中提出的容量问题是指：满足上行PRB平均利用率大于50％、下行PRB平均利用率大于50％、最大用户数大于400其中一个条件且第一S1错误码为[2]即判定为存在容量问题。
本实施例中提出的突发问题是指：E-RAB建立成功率(QCI＝1)、E-RAB建立成功率(QCI＝5)、无线接通率(QCI＝1)其中一个低于95％；或者为E-RAB建立失败次数(QCI＝1)大于5。
本实施例中提出的非无线问题是指：单用户或者终端SIP Reason Header为[503]，且SIP Reason Header警告正文为Bearer Released、released the sessionbecause of user deregistration、Wait Peer Ack Timeout for INVITE、RTP Timeout、RTP break time out。
其中，RSRP(Reference Signal Receiving Power，参考信号接收功率)是LTE网络中可以代表无线信号强度的关键参数以及物理层测量需求之一，是在某个符号内承载参考信号的所有RE(资源粒子)上接收到的信号功率的平均值。E-RAB是指用户平面的承载，用于UE(User Equipment，用户设备)和CN(Core Network，核心网)之间传送语音、数据及多媒体业务。E-RAB建立由CN发起，当E-RAB建立成功以后，一个基本业务建立，UE进入业务使用过程。从建立过程和作用上来说，RAB和E-RAB是相同的。
基于上述实施例，所述将所述若干个VoLTE信令话单对应的若干组多维数据输入训练好的定界算法模型中，通过随机森林算法，获取问题定位结果，之后还包括：基于获取的问题定位结果，获取对应的VoLTE接通无线的调整方案。
本实施例是指，在定位出问题所在之后，本发明实施例还包括获取该问题定位结果对应的VoLTE接通无线的调整方案，并获得对应的定位结果和对应的调整方案表。表1为本发明实施例中的问题定位结果和对应的调整方案示例表。
表1问题定位结果和对应的调整方案示例表
Figure GDA0003783311130000111
Figure GDA0003783311130000121
基于上述实施例，图3为本发明VoLTE接通无线失败的问题定位系统实施例的模块图，如图3所示，包括：关联模块301，用于以时间数据和ECI为关联匹配项，在VoLTE信令话单大数据中关联并获取若干个VoLTE信令话单对应的若干组多维数据；获取模块302，用于将所述若干个VoLTE信令话单对应的若干组多维数据输入训练好的定界算法模型中，通过随机森林算法，获取问题定位结果；其中，任一VoLTE信令话单对应于一组多维数据，一个VoLTE信令话单对应的一组多维数据包括网络工参数据、故障告警数据、网管KPI数据、北向MR数据、干扰排查数据、无线KPI数据、OMC参数、RF参数和停闭站信息数据中的任意多种。
本发明实施例的问题定位系统，可用于执行图1所示的VoLTE接通无线失败的问题定位方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。
在上述实施例的基础上，所述获取模块302，进一步包括：聚类子模块，用于对于任一ECI，通过K-means聚类算法，将所述任一ECI包括的一个或多个VoLTE信令话单对应的一组或多组多维数据的每一维度的数据聚类为一个聚类数据，将所有维度的聚类数据作为所述任一ECI对应的一组多维聚类数据；结果获取子模块，用于将所述任一ECI对应的一组多维聚类数据输入训练好的定界算法模型中，通过随机森林算法，获取所述任一ECI对应的问题定位结果。
在上述实施例的基础上，还包括训练模块，所述训练模块用于获取所述获取模块302中用到的训练好的定界算法模型，所述训练模块具体包括：宽表获取子模块，用于以时间数据和ECI为关联匹配项，在VoLTE信令话单大数据中关联多个VoLTE信令话单对应的多组多维数据，获取包括任一VoLTE信令话单的多维数据的初始样本宽表；样本获取子模块，用于基于所述初始样本宽表中的任一VoLTE信令话单的多维数据，获取对应于所述任一VoLTE信令话单的问题定位结果，并将所述任一VoLTE信令话单的多维数据和所述任一VoLTE信令话单的问题定位结果作为一个训练样本；输入子模块，用于将所有训练样本输入待训练的定界算法模型中，通过随机森林算法，获得每一种问题定位结果对应的预设个数组多维数据；模型获取子模块，用于基于获得的每一种问题定位结果对应的预设个数组多维数据，获取训练好的定界算法模型。
在上述实施例的基础上，所述输入子模块进一步用于：将所有训练样本输入待训练的定界算法模型中，通过随机森林算法，获取每一种问题定位结果对应的若干组多维数据中的每一组多维数据的重要程度值，其中，所述重要程度值根据每一组多维数据的重要性评分和gini指数计算获得；以重要程度值由高到低的顺序，获取前预设个数组多维数据。
在上述实施例的基础上，所述聚类子模块进一步用于：对于任一ECI包括的一个或多个VoLTE信令话单对应的一组或多组多维数据的所有维度的数据，在每一维度的数据中选取任一数据，将所有选取的数据作为初始聚类中心进行迭代运算，获取一组第一聚类中心，判断迭代后的聚类算法是否收敛；若所述迭代后的聚类算法收敛，则将每一维度的数据中选取的任一数据作为聚类数据，获取所述任一ECI对应的一组多维聚类数据；若所述迭代后的聚类算法不收敛，则基于所述一组第一聚类中心进行再次迭代运算，获取一组第二聚类中心，并判断再次迭代后的聚类算法是否收敛。
在上述实施例的基础上，所述获取模块302中包括的任一VoLTE信令话单的问题定位结果为MR弱覆盖问题、干扰问题、设备故障问题、容量问题、突发问题和非无线问题中的任一种。
在上述实施例的基础上，还包括调整模块，用于基于获取的问题定位结果，获取对应的VoLTE接通无线的调整方案。
基于上述实施例，图4为本发明实施例中的电子设备的框架示意图。请参考图3，本发明实施例提供一种电子设备，包括：处理器(processor)410、通信接口(CommunicationsInterface)420、存储器(memory)430和总线440，其中，处理器410，通信接口420，存储器430通过总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令，以执行如下方法，包括：以时间数据和ECI为关联匹配项，在VoLTE信令话单大数据中关联并获取若干个VoLTE信令话单对应的若干组多维数据；将所述若干个VoLTE信令话单对应的若干组多维数据输入训练好的定界算法模型中，通过随机森林算法，获取问题定位结果；其中，任一VoLTE信令话单对应于一组多维数据，一个VoLTE信令话单对应的一组多维数据包括网络工参数据、故障告警数据、网管KPI数据、北向MR数据、干扰排查数据、无线KPI数据、OMC参数、RF参数和停闭站信息数据中的任意多种。
本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的问题定位方法，例如包括：以时间数据和ECI为关联匹配项，在VoLTE信令话单大数据中关联并获取若干个VoLTE信令话单对应的若干组多维数据；将所述若干个VoLTE信令话单对应的若干组多维数据输入训练好的定界算法模型中，通过随机森林算法，获取问题定位结果；其中，任一VoLTE信令话单对应于一组多维数据，一个VoLTE信令话单对应的一组多维数据包括网络工参数据、故障告警数据、网管KPI数据、北向MR数据、干扰排查数据、无线KPI数据、OMC参数、RF参数和停闭站信息数据中的任意多种。
基于上述实施例，本发明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问题定位方法，例如包括：以时间数据和ECI为关联匹配项，在VoLTE信令话单大数据中关联并获取若干个VoLTE信令话单对应的若干组多维数据；将所述若干个VoLTE信令话单对应的若干组多维数据输入训练好的定界算法模型中，通过随机森林算法，获取问题定位结果；其中，任一VoLTE信令话单对应于一组多维数据，一个VoLTE信令话单对应的一组多维数据包括网络工参数据、故障告警数据、网管KPI数据、北向MR数据、干扰排查数据、无线KPI数据、OMC参数、RF参数和停闭站信息数据中的任意多种。
本领域普通技术人员可以理解：实现上述设备实施例或方法实施例仅仅是示意性的，其中所述处理器和所述存储器可以是物理上分离的部件也可以不是物理上分离的，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U盘、移动硬盘、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。
本发明实施例提供的VoLTE接通无线失败的问题定位方法、系统和设备，通过设置在VoLTE信令话单大数据中关联多维数据，获取的数据是多维的，解决了现有技术中的数据维度单一的问题，能够最大限度复用网络现有资源，无附加网络成本，全面客观，最大限度溯源问题。设置通过训练好的定界算法模型获取问题定位结果，能够利用机器学习的学习特性，精准定位VoLTE接通无线失败问题所在，解决了现有技术中存在的依靠总结的特征特性去判断对应的指标问题所导致的不准确、缺乏稳定性的问题。并且，从VoLTE信令话单大数据中持续不断地关联多维数据能够规避现有技术中存在的数据的周期和范围的限制。本发明实施例能够最大限度还原数据真实关联关系，避免人为因素干扰，为日常工作实现高效、准确处理VoLTE用户接通问题、提升用户网络感知提供有力支撑。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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各实施例技术方案的精神和范围。

Claims (8)

1.一种VoLTE接通无线失败的问题定位方法，其特征在于，包括：
以时间数据和ECI为关联匹配项，在VoLTE信令话单大数据中关联并获取若干个VoLTE信令话单对应的若干组多维数据；
将所述若干个VoLTE信令话单对应的若干组多维数据输入训练好的定界算法模型中，通过随机森林算法，获取问题定位结果；
其中，任一VoLTE信令话单对应于一组多维数据，一个VoLTE信令话单对应的一组多维数据包括网络工参数据、故障告警数据、网管KPI数据、北向MR数据、干扰排查数据、无线KPI数据、OMC参数、RF参数和停闭站信息数据中的任意多种；
所述将所述若干个VoLTE信令话单对应的若干组多维数据输入训练好的定界算法模型中，通过随机森林算法，获取问题定位结果，具体包括：
对于任一ECI，通过K-means聚类算法，将所述任一ECI包括的一个或多个VoLTE信令话单对应的一组或多组多维数据的每一维度的数据聚类为一个聚类数据，将所有维度的聚类数据作为所述任一ECI对应的一组多维聚类数据；
将所述任一ECI对应的一组多维聚类数据输入训练好的定界算法模型中，通过随机森林算法，获取所述任一ECI对应的问题定位结果；
所述训练好的定界算法模型通过下述步骤获取：
以时间数据和ECI为关联匹配项，在VoLTE信令话单大数据中关联多个VoLTE信令话单对应的多组多维数据，获取包括任一VoLTE信令话单的多维数据的初始样本宽表；
基于所述初始样本宽表中的任一VoLTE信令话单的多维数据，获取对应于所述任一VoLTE信令话单的问题定位结果，并将所述任一VoLTE信令话单的多维数据和所述任一VoLTE信令话单的问题定位结果作为一个训练样本；
将所有训练样本输入待训练的定界算法模型中，通过随机森林算法，获得每一种问题定位结果对应的预设个数组多维数据；
基于获得的每一种问题定位结果对应的预设个数组多维数据，获取训练好的定界算法模型。
2.根据权利要求1所述的问题定位方法，其特征在于，所述将所有训练样本输入待训练的定界算法模型中，通过随机森林算法，获得每一种问题定位结果对应的预设个数组多维数据，具体包括：
将所有训练样本输入待训练的定界算法模型中，通过随机森林算法，获取每一种问题定位结果对应的若干组多维数据中的每一组多维数据的重要程度值，其中，所述重要程度值根据每一组多维数据的重要性评分和gini指数计算获得；
以重要程度值由高到低的顺序，获取前预设个数组多维数据。
3.根据权利要求1所述的问题定位方法，其特征在于，所述对于任一ECI，通过K-means聚类算法，将所述任一ECI包括的一个或多个VoLTE信令话单对应的一组或多组多维数据的每一维度的数据聚类为一个聚类数据，获取所述任一ECI对应的一组多维聚类数据，具体包括：
对于任一ECI包括的一个或多个VoLTE信令话单对应的一组或多组多维数据的所有维度的数据，在每一维度的数据中选取任一数据，将所有选取的数据作为初始聚类中心进行迭代运算，获取一组第一聚类中心，判断迭代后的聚类算法是否收敛；
若所述迭代后的聚类算法收敛，则将每一维度的数据中选取的任一数据作为聚类数据，获取所述任一ECI对应的一组多维聚类数据；
若所述迭代后的聚类算法不收敛，则基于所述一组第一聚类中心进行再次迭代运算，获取一组第二聚类中心，并判断再次迭代后的聚类算法是否收敛。
4.根据权利要求1所述的问题定位方法，其特征在于，所述任一VoLTE信令话单的问题定位结果为MR弱覆盖问题、干扰问题、设备故障问题、容量问题、突发问题和非无线问题中的任一种。
5.根据权利要求1所述的问题定位方法，其特征在于，所述将所述若干个VoLTE信令话单对应的若干组多维数据输入训练好的定界算法模型中，通过随机森林算法，获取问题定位结果，之后还包括：
基于获取的问题定位结果，获取对应的VoLTE接通无线的调整方案。
6.一种VoLTE接通无线失败的问题定位系统，其特征在于，包括：
关联模块，用于以时间数据和ECI为关联匹配项，在VoLTE信令话单大数据中关联并获取若干个VoLTE信令话单对应的若干组多维数据；
获取模块，用于将所述若干个VoLTE信令话单对应的若干组多维数据输入训练好的定界算法模型中，通过随机森林算法，获取问题定位结果；
其中，任一VoLTE信令话单对应于一组多维数据，一个VoLTE信令话单对应的一组多维数据包括网络工参数据、故障告警数据、网管KPI数据、北向MR数据、干扰排查数据、无线KPI数据、OMC参数、RF参数和停闭站信息数据中的任意多种；
所述获取模块，包括：
聚类子模块，用于对于任一ECI，通过K-means聚类算法，将所述任一ECI包括的一个或多个VoLTE信令话单对应的一组或多组多维数据的每一维度的数据聚类为一个聚类数据，将所有维度的聚类数据作为所述任一ECI对应的一组多维聚类数据；
结果获取子模块，用于将所述任一ECI对应的一组多维聚类数据输入训练好的定界算法模型中，通过随机森林算法，获取所述任一ECI对应的问题定位结果；
所述系统还包括训练模块，所述训练模块用于获取所述获取模块中用到的训练好的定界算法模型，所述训练模块具体包括：
宽表获取子模块，用于以时间数据和ECI为关联匹配项，在VoLTE信令话单大数据中关联多个VoLTE信令话单对应的多组多维数据，获取包括任一VoLTE信令话单的多维数据的初始样本宽表；
样本获取子模块，用于基于所述初始样本宽表中的任一VoLTE信令话单的多维数据，获取对应于所述任一VoLTE信令话单的问题定位结果，并将所述任一VoLTE信令话单的多维数据和所述任一VoLTE信令话单的问题定位结果作为一个训练样本；
输入子模块，用于将所有训练样本输入待训练的定界算法模型中，通过随机森林算法，获得每一种问题定位结果对应的预设个数组多维数据；
模型获取子模块，用于基于获得的每一种问题定位结果对应的预设个数组多维数据，获取训练好的定界算法模型。
7.一种电子设备，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任一所述的问题定位方法。
8.一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任一所述的问题定位方法。
CN201810982932.9A 2018-08-27 2018-08-27 VoLTE接通无线失败的问题定位方法、系统和设备 Active CN110868732B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810982932.9A CN110868732B (zh) 2018-08-27 2018-08-27 VoLTE接通无线失败的问题定位方法、系统和设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810982932.9A CN110868732B (zh) 2018-08-27 2018-08-27 VoLTE接通无线失败的问题定位方法、系统和设备

Publications (2)

Publication Number Publication Date
CN110868732A CN110868732A (zh) 2020-03-06
CN110868732B true CN110868732B (zh) 2023-04-07

Family

ID=69651717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810982932.9A Active CN110868732B (zh) 2018-08-27 2018-08-27 VoLTE接通无线失败的问题定位方法、系统和设备

Country Status (1)

Country Link
CN (1) CN110868732B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112512072B (zh) * 2020-10-12 2023-07-07 中国联合网络通信集团有限公司 VoLTE网络故障预测方法及设备

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102221655B (zh) * 2011-06-16 2013-08-07 河南省电力公司济源供电公司 基于随机森林模型的电力变压器故障诊断方法
CN103188705B (zh) * 2011-12-29 2016-06-22 中国移动通信集团广东有限公司 一种对批量投诉进行告警定位的方法和告警定位装置
CN105873113B (zh) * 2015-01-21 2019-05-28 中国移动通信集团福建有限公司 无线质量问题定位方法及系统
CN106817710B (zh) * 2015-11-27 2020-05-12 中国移动通信集团广东有限公司 一种网络问题的定位方法及装置
CN107450524A (zh) * 2017-08-30 2017-12-08 深圳市智物联网络有限公司 预测工业设备故障的方法、装置及计算机可读存储介质
CN108388974A (zh) * 2018-01-11 2018-08-10 国网山东省电力公司 基于随机森林和决策树的优质客户优化识别方法及装置

Also Published As

Publication number Publication date
CN110868732A (zh) 2020-03-06

Similar Documents

Publication Publication Date Title
CN108877839B (zh) 基于语音语义识别技术的语音质量感知评估的方法及系统
CN105634787B (zh) 网络关键指标的评估方法、预测方法及装置和系统
CN104396188B (zh) 用于对移动网络性能问题进行根本原因分析的系统和方法
US20240273116A1 (en) Method and System for Constructing Data Warehouse Based on Wireless Communication Network, and Device and Medium
CN108243435B (zh) 一种lte小区场景划分中的参数优化方法及装置
US20130316701A1 (en) Data processing method and device for essential factor lost score
CN108768695B (zh) Kqi的问题定位方法及装置
CN103686818B (zh) 一种仿真测试方法及设备
CN110474786B (zh) 基于随机森林分析VoLTE网络故障原因的方法及装置
CN103501503A (zh) 一种网络问题分析方法和装置
CN111163482B (zh) 数据的处理方法、设备及存储介质
CN102075366A (zh) 通信网络中数据处理的方法及设备
CN110797046A (zh) 语音质量mos值的预测模型建立方法及装置
CN109150794B (zh) 一种VoLTE语音业务质量分析处理方法及装置
CN108235335B (zh) 一种室内网络弱覆盖区域的确定方法及装置
CN110868732B (zh) VoLTE接通无线失败的问题定位方法、系统和设备
CN113660687B (zh) 网络差小区处理方法、装置、设备及存储介质
CN105578395B (zh) 一种更新终端信息库中终端属性的方法及装置
CN115884195A (zh) 模型训练方法、无线资源调度方法及其装置及电子设备
CN113301555A (zh) 常驻小区确定方法、装置、设备、介质及产品
CN104657278A (zh) 客户端性能评估方法及系统
CN106817710B (zh) 一种网络问题的定位方法及装置
CN110868731A (zh) VoLTE网络故障检测方法及系统
CN110968075A (zh) 一种基于主动学习自组织蜂窝网络的故障诊断方法及系统
CN111368858A (zh) 用户满意度评估方法及装置

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