CN111935761B - 一种移动通信网的质差根因自动定位方法及系统 - Google Patents
一种移动通信网的质差根因自动定位方法及系统 Download PDFInfo
- Publication number
- CN111935761B CN111935761B CN202010681705.XA CN202010681705A CN111935761B CN 111935761 B CN111935761 B CN 111935761B CN 202010681705 A CN202010681705 A CN 202010681705A CN 111935761 B CN111935761 B CN 111935761B
- Authority
- CN
- China
- Prior art keywords
- mobile communication
- communication network
- cluster
- quality difference
- som
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000010295 mobile communication Methods 0.000 title claims abstract description 45
- 238000007781 pre-processing Methods 0.000 claims abstract description 11
- 208000018910 keratinopathic ichthyosis Diseases 0.000 claims description 58
- 210000002569 neuron Anatomy 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 39
- 210000004027 cell Anatomy 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 21
- 239000013598 vector Substances 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 210000004205 output neuron Anatomy 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 3
- 230000005764 inhibitory process Effects 0.000 claims description 2
- 230000000638 stimulation Effects 0.000 claims description 2
- 238000012804 iterative process Methods 0.000 claims 1
- 238000002372 labelling Methods 0.000 description 6
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
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
- G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种移动通信网的质差根因自动定位方法及系统，包括以下步骤：对KPI数据进行预处理；根据KPI数据采用SOM对移动通信网状态进行聚类，得到相应的移动通信网状态簇；对移动通信网状态簇按已确定的原因进行标记；利用SOM进行网络性能自动分析，实现质差根因自动定位。
Description
技术领域
本发明属于移动通信网质差根因分析技术领域，具体涉及一种移动通信网的质差根因自动定位方法及系统。
背景技术
这里的陈述仅提供与本发明相关的背景技术，而不必然地构成现有技术。
移动通信网络质差根因分析是自愈网络中最关键的功能之一。需要对造成网络性能质量的根本原因进行自动分析和准确定位。
目前，发明人发现，对于移动通信网络进行质差根因分析有Bayesian networks方法和基于计分的方法，而Bayesian networks是使用贝氏网络作为分类器来进行移动通信网的质差根因分析，其需要对输入数据进行离散化处理；基于计分的方法是由专家报告的标签故障案例构建，使用评分系统来确定每个具体案例的原因，其属于有监督的方法，自动化程度低。
发明内容
针对现有技术存在的不足，本发明的目的是提供一种移动通信网的质差根因自动定位方法及系统，该方法基于SOM聚类结果的统计分析进行根因标记，通过使用自组织映射(SOM)的阶段性分析方法，来确保质差根因分析的准确性。
为了实现上述目的，本发明是通过如下的技术方案来实现：
第一方面，本发明的实施例提供了一种移动通信网的质差根因自动定位方法，包括以下步骤：
对KPI数据进行预处理；
根据KPI数据采用SOM对移动通信网状态进行聚类，得到相应的移动通信网状态簇；
对移动通信网状态簇按已确定的原因进行标记；
利用SOM进行网络性能自动分析，实现质差根因自动定位。
作为进一步的技术方案，对KPI数据进行预处理的过程为：
对于取值不在[0,1]区间内的KPI，采用下式实现规范化：
其中，Si为KPI输入向量，为规范化后的KPI输入向量。
作为进一步的技术方案，聚类的过程为：
设置SOM训练参数；采用SOM进行聚类，簇数目N＝2,3,4···，10；计算Dunn指数最大值；统计实际聚簇数目比例；确定最佳聚类数目；最佳聚类数目可视化验证；以最佳聚类数目进行聚类。
作为进一步的技术方案，对移动通信网状态簇按已确定的原因进行标记的过程为：
将KPI归类至相应移动通信网状态簇后，得出每个簇的各KPI的条件概率密度函数，进行统计特性估计，确定簇-根因关系；
确定每个簇的性能质差原因，为每个簇标注相应的性能质差原因。
作为进一步的技术方案，进行SOM聚类时，若聚类结果碎片化，通过改变训练过程的参数重复SOM训练和聚类过程，直到所有的簇都是由相邻的神经元组成。
作为进一步的技术方案，训练过程的参数包括训练长度、邻域半径以及学习速度。
作为进一步的技术方案，网络性能自动分析的过程为：
对于KPI数据，根据最小欧几里得度量确定激活的神经元，其质差根因为与该神经元相对应的性能质差原因；
若激活的神经元位于两个或两个以上的神经元边界，使用基于百分位数的方法和轮廓控制器进行调整。
作为进一步的技术方案，基于百分位数的方法为：
计算小区KPI数据和该簇中所有神经元之间距离的x百分位数，然后选择性能质差原因是所有距离的最小x百分位数。
作为进一步的技术方案，轮廓控制器调整的过程为：
若基于百分位数的方法确定的结果与神经元确定的结果一致，就以神经元确定的结果作为性能质差原因；
若两种结果不同时，则使用平均轮廓进行比较，选择平均轮廓的结果作为性能质差原因。
第二方面，本发明实施例还提供了一种移动通信网的质差根因自动定位系统，包括：
数据预处理模块，用于对KPI数据进行预处理；
聚类模块，用于根据KPI数据采用SOM对移动通信网状态进行聚类，得到相应的移动通信网状态簇；
标记模块，用于对移动通信网状态簇按已确定的原因进行标记；
分析模块，用于利用SOM进行网络性能自动分析，实现质差根因自动定位。
上述本发明的实施例的有益效果如下：
本发明的方法，通过无监督SOM技术建立，该方法保证了可以在没有已解决案例的历史报告的情况下进行网络性能分析，并能识别出以前不知道的新问题。
本发明的方法，与对原始KPI数据进行标记的有监督方法相比，可以大大减少工作量。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明根据一个或多个实施方式的移动通信网的质差根因自动定位方法的原理流程示意图；
图2是SOM神经网络结构示意图；
图3是SOM拓扑结构示意图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非本发明另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合；
为了方便叙述，本发明中如果出现“上”、“下”、“左”“右”字样，仅表示与附图本身的上、下、左、右方向一致，并不对结构起限定作用,仅仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的设备或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对本发明的限制。
术语解释部分:本发明中如出现术语“安装”、“相连”、“连接”、“固定”等，应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或为一体；可以是机械连接，也可以是电连接，可以是直接连接，也可以是通过中间媒介间接相连，可以是两个元件内部连接，或者两个元件的相互作用关系，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明的具体含义。
正如背景技术所介绍的，现有技术中存在不足，为了解决如上的技术问题，本发明提出了一种移动通信网的质差根因自动定位方法及系统。
本发明的一种典型的实施方式中，提出一种移动通信网的质差根因自动定位方法，本方法原理示意如图1所示。
S＝[s1,s2,...sN]T是KPI输入向量，表示移动通信网的小区状态，用C＝[FC1,FC2,...FCL,N]T表示分析结果，N表示网络性能好，FC表示移动通信网络小区性能差的各种根因。
本方法的核心是SOM神经网络。整个方法分成两个运行阶段，一是训练和标注，二是自动分析。
1.训练和标注阶段的过程：
(1)数据预处理
输入数据向量由移动通信网小区的KPI组成，可以是不同时间级别(每小时、每天、每周、每月等)的数据，输入有两种类型，以下分别说明。
训练数据：为了建立自动分析方法而建立的一个包含尽可能多的案例的训练数据集，是无标签的数据。训练数据和分析阶段使用的数据具有相同的特征，例如，相同的KPI、时间和小区。
分析数据：在自动分析阶段，输入数据是直接从移动通信网络提取的小区KPI数据。
训练数据和分析数据要进行相同的预处理。本方法要求输入数据是量化的，即用数字来表示(例如，功率和吞吐量)，而移动网络的性能指标具有数字变量的属性。因而避免了变量的离散化和专家对阈值的定义。
考虑到本方法是基于欧氏距离的，训练数据和分析数据必须被规范化，保证没有很高的数值支配训练。
对于取值不在[0,1]区间内的KPI，采用以下式子(1)实现规范化：
其中，Si为KPI输入向量，为规范化后的KPI输入向量。
(2)SOM训练：
SOM是一类能从一组未标记数据中进行学习并获取知识和的无监督神经网络。因此，本方法以som神经网络为核心，根据小区的KPI指标表现对小区状态进行分类，进而识别出导致网络性能差的原因。Som最大的优点是它处理高维数据的能力，并将其降低到较低的维度。此外，该方法不需要离散数据，可以直接处理原始数据，而不会导致信息丢失。
具体在本方法中使用Kohonen算法进行训练。
设网络的输入向量为S＝[s1,s2,...sN]T，N为输入数据维度(输入层神经元节点的个数)，输出层由低维(以二维为例说明)网格上L个有序节点组成；N个输入节点通过连接权值Wl＝[wl1,wl2,...,wlN]Tl＝1,...,L和输出神经元节点l相连接，如图2所示。在某个输入向量Sk，k＝1,...,K(K是输入数据集中输入向量的个数)的刺激下，输出层竞争获胜的神经元用Bk表示。
SOM神经网络的输出神经元之间建立网状拓扑结构，神经元在网络的位置关系取决于它们之间的关联，这种关联反映了神经元间的侧抑制功能，某个神经元i与关联神经元j之间的关系用邻域函数hij来表示。在第n(n＝0,1.2,...)步迭代过程中，邻域函数用hij(n)表示，权重用Wj(n)表示，神经元i与其连接神经元j的邻域函数用hij(n)表示，学习率用α(n)表示，T为总的学习次数，具体学习过程如下：
1)初始化：初始化SOM的连接权值Wj(0)、学习率α0，指定邻域函数的控制系数δ0和训练长度T。
2)计算获胜节点(Best-Match-Unit，BMU)。
3)计算邻域函数
其中，为控制邻域关系的形状函数，其中τ是时间常数。
4)更新权重系数和学习率
重复2)到4)的过程，直到n＝T。
训练后，神经网络的拓扑结构将作为训练数据集的空间分布，如图3所示。
SOM自适应聚类过程为：设置SOM训练参数；SOM聚类，簇数目N＝2,3,4···，10；计算Dunn指数最大值；统计实际聚簇数目比例；确定最佳聚类数目；最佳聚类数目可视化验证；以最佳聚类数目聚类。
(3)标记
对聚类所获得的簇按照已确定的原因进行标记。一个简单的方法是通过对每个组的神经元进行简单的视觉检查来验证解决方案是否正确。如果聚类结果是一些碎片化的结果，通过改变训练过程的参数，如训练长度、邻域半径以及学习速度来重复训练和聚类过程，直到所有的簇都是由相邻的神经元组成。
由于KPI和网络性能质差原因之间存在不确定关系，需要分析它们之间的统计关系。对于训练数据集中包含的每个小区KPI，必须确定其相关的簇。与特定规范化状态Zi相关联的簇(gi)被认为是包含被状态Zi激活的神经元BMU的簇，如(2)式表示。
一旦数据集中的所有小区状态都归入到相应的簇中，就可以估计给定每个簇时的各KPI的条件概率密度函数f(Si|gj)。由于KPI服从的分布未知，必须使用非参技术。其中，定义pdf(概率密度函数(Probability Density Function))最常用的是直方图或核平滑函数。
为每个簇进行pdfs估计，pdfs估计即为统计特性估计，估计服从什么样的分布特性，以检查每个KPI的统计行为，从而确定簇-根因关系。这些统计信息还有助于验证聚类是否正确。
最后，根据专家的知识确定每个簇的性能质差原因，从而为每个簇提供一个合适的标签。其中一个簇对应于小区的性能良好，标记为N，其它情况都有一个与可能的原因(FCi)相关的标签。标记过程将簇映射到一个特定的性能质差原因，如式子(3)表示。
G＝{g1,...,gL,gN}→C＝{FC1,FC2,...FCL,N} (3)
2.自动分析阶段：
完成训练和标注后，利用SOM系统进行网络性能自动分析。
首先，对于小区KPI数据Si，根据最小欧几里得度量确定一个胜出的神经元(BMU)，因此，输出结果是与该神经元相关的性能质差原因Cj。如果被激活的神经元位于两个或两个以上的神经元边界，小区性能不好的原因就不好确定。因此使用基于百分位数的方法和轮廓控制器进行调整。
基于百分位数的方法：对于每个边界上的原因，估计小区KPI数据和该簇中所有神经元之间距离的x百分位数，然后选择性能质差原因是所有距离的最小x百分位数。
轮廓控制器：一旦用BMU和百分位数方法确定了性能质差原因，就需要从两种结果中选择哪一种更合理。为此，使用基于轮廓指数的控制器。首先，如果基于百分位数的方法确定的结果与BMU的结果一致，就确定该输出作为性能质差原因Cj。两种结果不同时，则使用平均轮廓进行比较，选择平均轮廓的结果作为性能质差原因。
为了使得本领域技术人员能够更加清楚地了解本申请的技术方案，以下将结合具体的实施例详细说明本申请的技术方案。
选择某城市的一个实际成熟LTE网络采集数据加以验证。它由5000多个不同的小区组成，小区种类繁多，每个小区位于不同的环境条件下以及不同位置。
随机选择200个小区，采集一周内以每小时存储一次的KPI数据，获得了100000多个不同的未标记的训练数据集。这些KPI指标与移动网络中的以下主要类别有关：连接性(如可访问性、可保留性和失败的无线资源控制连接速率)；移动性(如HOSR，乒乓HO和无线间接入技术(IRAT)HO率)；质量(如不良覆盖报告的数量和接收强度信号指示器的平均值)；容量(如RRC连接的数量和CPU的平均负载)；以及配置(如天线倾角)。
各KPI数据的含义如下：
易访问性：显示了小区在可接受的条件下提供用户服务请求的能力。因此，它通常用于确定在kpi时间周期内，访问该小区的连接占总连接的比例。该指标低表明有许多连接被阻塞了。
可保持性：表示未中断或未提前结束的连接在连接总数中所占的百分比。该指标数值高说明大多数连接已成功建立。
失败的RRC连接率：一个成功的RRC连接说明已经向用户提供了传输任何类型数据所需的LTE资源。该KPI决定了失败的RRC连接总数与请求的RRC连接总数之间的比率。
HOSR：该KPI指标显示了小区执行切换功能为用户提供了满意的移动性的好坏程度。
Ping-pong HO的数量：这个KPI计算在KPI时间段内发生的乒乓切换的总数。当用户设备(UE)在短时间内在两个单元之间反复切换时发生乒乓切换。考虑到ping-pong HO是HO过程中的一个关键问题，这个KPI会对小区的性能产生负面影响。
IRAT HO率：它是用户将其连接从一个RAT(无线访问技术)切换到另个RAT的移动过程。这个指标高意味着很多用户离开了LTE网络。
不良覆盖报告数目：它计算满足移动过程的A2事件的信号电平测量次数，即从服务小区接收的信号电平在一个绝对阈值下的总次数。该KPI指标高表示覆盖不好。
平均RSSI：它是用户接收到的宽带功率，包括期望信号功率和由于热噪声、邻道干扰等引起的接收功率的其余部分，该KPI被计算为所有RSSI报告在KPI时间段内的平均值。
RRC连接的数量：这是已成功建立的RRC连接次数。该KPI指标表示了是小区所服务的用户数量。
CPU平均负荷：这是KPI周期内CPU进程的加权平均数。平均负荷高的小区意味着有过载问题。
倾斜：这是天线配置参数，决定了天线与水平面形成的角度。这意味着天线倾斜度越小，覆盖面积就越大。
利用这些实际训练数据集进行训练和标注。由于数据量较大，训练长度设置不必太大。训练后聚类时发现获得的的结果是支离破碎的。改变配置参数重复训练和聚类。发现了四个统计学上不同的簇，其它簇都是由相邻的神经元构成的。标记时，通过核平滑函数估计的KPI的pdf来分析各个簇的统计特性。
首先，通过分析聚类的统计特性找到性能正常的小区对应的簇并加以标记。这个聚类中，KPI具有最常见数值。
比较其它簇与正常簇，统计分析其性能劣化的各个KPI指标，为其分配不同的原因，如过载问题、弱覆盖、无操作等等。
本发明的方法是通过无监督SOM技术建立的，设计了一种通信网的质差根因自动分析方法。该方法保证了可以在没有已解决案例的历史报告的情况下进行网络性能分析，并能识别出以前不知道的新问题。与对原始KPI数据进行标记的有监督方法相比，可以大大减少工作量。实际的网络数据验证了本方法的有效性，可以作为移动通信网络自动诊断系统的主要方法。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.一种移动通信网的质差根因自动定位方法，其特征是，包括以下步骤：
对 KPI数据进行预处理；
根据KPI数据采用SOM对移动通信网状态进行聚类，得到相应的移动通信网状态簇；
对移动通信网状态簇按已确定的原因进行标记；
利用SOM进行网络性能自动分析，实现质差根因自动定位；
其中，进行SOM聚类时，若聚类结果碎片化，通过改变训练过程的参数重复SOM训练和聚类过程，直到所有的簇都是由相邻的神经元组成；
使用Kohonen算法进行训练，包括：
设网络的输入向量为 ，输出层由低维网格上/>个有序节点组成； />个输入节点通过连接权值 /> 和输出神经元节点/>相连接，在某个输入向量/>，/>的刺激下，输出层竞争获胜的神经元用/>表示；
其中，上述为输入数据维度输入层神经元节点的个数，/>是输入数据集中输入向量的个数；
SOM神经网络的输出神经元之间建立网状拓扑结构，神经元在网络的位置关系取决于它们之间的关联，这种关联反映了神经元间的侧抑制功能，某个神经元与关联神经元/>之间的关系用邻域函数/>来表示，在迭代过程中，邻域函数用/>表示，权重用/>表示，神经元/>与其连接神经元/> 的邻域函数用/>表示，学习率用/>表示，/>为总的学习次数，具体学习过程如下：
1) 初始化：初始化SOM的连接权值、学习率/>，指定邻域函数的控制系数/>和训练长度/>；
2)计算获胜节点
，/>
3）计算邻域函数
，/>
其中，，/>为控制邻域关系的形状函数，其中/>是时间常数；
4）更新权重系数和学习率
，/>
，/>
重复2）到4）的过程，直到；
训练后，神经网络的拓扑结构将作为训练数据集的空间分布；
聚类的过程为：
设置SOM训练参数；采用SOM进行聚类，簇数目N=2,3,4···，10；计算Dunn指数最大值；统计实际聚簇数目比例；确定最佳聚类数目；最佳聚类数目可视化验证；以最佳聚类数目进行聚类；
对移动通信网状态簇按已确定的原因进行标记的过程为：
将KPI归类至相应移动通信网状态簇后，得出每个簇的各KPI的条件概率密度函数，进行统计特性估计，确定簇-根因关系；
确定每个簇的性能质差原因，为每个簇标注相应的性能质差原因。
2.如权利要求1所述的移动通信网的质差根因自动定位方法，其特征是，对 KPI数据进行预处理的过程为：
对于取值不在[0,1]区间内的 KPI，采用下式实现规范化：
；
其中，为KPI输入向量，/>为规范化后的KPI输入向量。
3.如权利要求1所述的移动通信网的质差根因自动定位方法，其特征是，训练过程的参数包括训练长度、邻域半径以及学习速度。
4.如权利要求1所述的移动通信网的质差根因自动定位方法，其特征是，网络性能自动分析的过程为：
对于KPI数据，根据最小欧几里得度量确定激活的神经元，其质差根因为与该神经元相对应的性能质差原因；
若激活的神经元位于两个或两个以上的神经元边界，使用基于百分位数的方法和轮廓控制器进行调整。
5.如权利要求4所述的移动通信网的质差根因自动定位方法，其特征是，基于百分位数的方法为：
计算小区KPI数据和该簇中所有神经元之间距离的 x 百分位数，然后选择性能质差原因是所有距离的最小 x 百分位数。
6.如权利要求4所述的移动通信网的质差根因自动定位方法，其特征是，轮廓控制器调整的过程为：
若基于百分位数的方法确定的结果与神经元确定的结果一致，就以神经元确定的结果作为性能质差原因；
若两种结果不同时，则使用平均轮廓进行比较，选择平均轮廓的结果作为性能质差原因。
7.一种移动通信网的质差根因自动定位系统，用于实现如权利要求1-6任一项权利要求所述的方法，其特征是，包括：
数据预处理模块，用于对 KPI数据进行预处理；
聚类模块，用于根据KPI数据采用SOM对移动通信网状态进行聚类，得到相应的移动通信网状态簇；
标记模块，用于对移动通信网状态簇按已确定的原因进行标记；
分析模块，用于利用SOM进行网络性能自动分析，实现质差根因自动定位。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010681705.XA CN111935761B (zh) | 2020-07-15 | 2020-07-15 | 一种移动通信网的质差根因自动定位方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010681705.XA CN111935761B (zh) | 2020-07-15 | 2020-07-15 | 一种移动通信网的质差根因自动定位方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111935761A CN111935761A (zh) | 2020-11-13 |
| CN111935761B true CN111935761B (zh) | 2024-04-09 |
Family
ID=73313446
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010681705.XA Active CN111935761B (zh) | 2020-07-15 | 2020-07-15 | 一种移动通信网的质差根因自动定位方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111935761B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112269818B (zh) * | 2020-11-25 | 2023-11-21 | 成都数之联科技股份有限公司 | 一种设备参数根因定位方法及系统、装置、介质 |
| CN114002543B (zh) * | 2021-09-27 | 2024-01-05 | 中盈优创资讯科技有限公司 | 一种stn中继质差电路自治方法及装置 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105873105A (zh) * | 2016-04-22 | 2016-08-17 | 中国科学技术大学 | 一种基于网络体验质量的移动通信网异常检测和定位方法 |
| CN111405605A (zh) * | 2020-03-24 | 2020-07-10 | 东南大学 | 一种基于自组织映射的无线网络中断检测方法 |
-
2020
- 2020-07-15 CN CN202010681705.XA patent/CN111935761B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105873105A (zh) * | 2016-04-22 | 2016-08-17 | 中国科学技术大学 | 一种基于网络体验质量的移动通信网异常检测和定位方法 |
| CN111405605A (zh) * | 2020-03-24 | 2020-07-10 | 东南大学 | 一种基于自组织映射的无线网络中断检测方法 |
Non-Patent Citations (2)
| Title |
|---|
| Ana Gómez-Andrades等."Automatic Root Cause Analysis for LTE Networks Based on Unsupervised Techniques".《IEEE Transactions on Vehicular Technology》.2015,1-6节. * |
| MALLAT Yosra."A Novel Approach for Mobile Network QoS Evaluation".《The 2014 International Symposium on Networks,Computers and Communications》.2014,全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111935761A (zh) | 2020-11-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gómez-Andrades et al. | Automatic root cause analysis for LTE networks based on unsupervised techniques | |
| US20200364571A1 (en) | Machine learning-based data processing method and related device | |
| CN109495920B (zh) | 一种无线通信网络特征画像方法、设备和计算机程序产品 | |
| CN112243249B (zh) | 5g nsa组网下lte新入网锚点小区参数配置方法和装置 | |
| CN110324170B (zh) | 数据分析设备、多模型共决策系统及方法 | |
| Mulvey et al. | Cell fault management using machine learning techniques | |
| CN111935761B (zh) | 一种移动通信网的质差根因自动定位方法及系统 | |
| CN112512069B (zh) | 基于信道波束图样的网络智能优化方法及装置 | |
| CN112039687A (zh) | 一种面向小样本特征的基于改进生成对抗网络的故障诊断方法 | |
| CN114095856B (zh) | 用于基站节能的处理方法和处理装置 | |
| TWI684139B (zh) | 基於自動學習的基地台異常之預測的系統與方法 | |
| CN117581248A (zh) | 确定用于管理环境的目标策略 | |
| CN113348691B (zh) | 用于网络管理中的故障预测的方法和装置 | |
| CN113225346A (zh) | 一种基于机器学习的网络运维态势评估方法 | |
| Liao et al. | Network state awareness and proactive anomaly detection in self-organizing networks | |
| CN114553671A (zh) | 一种电力通信网故障告警的诊断方法 | |
| KR20240134018A (ko) | 모델 구성 방법 및 장치 | |
| Wu et al. | Unsupervised deep transfer learning for fault diagnosis in fog radio access networks | |
| CN113728673A (zh) | 用于估计被无线电问题抑制的数据业务的方法和装置 | |
| CN109547248A (zh) | 基于人工智能的在轨飞行器自组网故障诊断方法及装置 | |
| Horsmanheimo et al. | NES—Network Expert System for heterogeneous networks | |
| CN109493065A (zh) | 一种基于行为增量更新的欺诈交易检测方法 | |
| Ruan et al. | An Intelligent Cell Outage Detection Method in Cellular Networks | |
| CN118034992B (zh) | 基于ems的储能系统非定期运维方法及系统 | |
| Zhang et al. | Unsupervised Fault Diagnosis Platform Implementation for Self-Healing in Cellular Networks |
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 |