CN112020087A - 隧道故障监控方法、装置及计算设备 - Google Patents
隧道故障监控方法、装置及计算设备 Download PDFInfo
- Publication number
- CN112020087A CN112020087A CN201910462428.0A CN201910462428A CN112020087A CN 112020087 A CN112020087 A CN 112020087A CN 201910462428 A CN201910462428 A CN 201910462428A CN 112020087 A CN112020087 A CN 112020087A
- Authority
- CN
- China
- Prior art keywords
- fault
- tunnel
- characteristic index
- current
- fault characteristic
- 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
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
-
- 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
- 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
- H04L43/0823—Errors, e.g. transmission errors
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Environmental & Geological Engineering (AREA)
- Maintenance And Management Of Digital Transmission (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明实施例涉及移动无线通信技术领域，公开了一种隧道故障监控方法、装置及计算设备。该方法包括：确定所述隧道的故障特性指标与故障发生比例的关联关系；获取所述隧道的当前故障特性指标；根据所述当前故障特性指标以及所述故障特性指标与故障发生比例的关联关系，确定所述当前故障特性指标对应的当前故障发生比例；根据所述当前故障发生比例，确定所述隧道的当前故障概率；根据所述当前故障概率，判断所述隧道是否存在故障。通过上述方式，本发明实施例能够计算出隧道隐性故障发生的概率，从而实现对隧道隐性故障的监控。
Description
技术领域
本发明实施例涉及移动无线通信技术领域，具体涉及一种隧道故障监控方法、装置及计算设备。
背景技术
隧道是城市中的一大重要场景，但由于隧道场景环境封闭，基本没有固定的用户，业务量不高，一般采用单载波分布系统建设方案。当系统发生故障时，势必会引起弱覆盖，严重影响用户感知，因此需要进行实时监控。
隐性故障，是指没有明显的告警但是对通信的性能有影响的故障，或者存在反复出现后又能够自行消失的告警。这类故障的存在，会影响网络性能，致使客户通话或上网业务质量变差，客户感知水平下降，影响网络口碑。
现有技术中，隧道场景的监控方式与大网的监控方式一致，主要依靠故障告警监控、MR指标监控、巡检或投诉测试、性能监控等方式。但现有技术有如下缺点：
1)、故障告警监控：故障告警监控主要针对BBU(Building Baseband Unit，基带处理单元)、RRU(Remote Radio Unit，射频拉远单元)等，但隧道分布系统由大量合路器、耦合器、功分器等哑网元构成，当哑网元发生故障时，很难及时监控到位；
2)、MR指标监控：虽然MR指标可以批量监控弱覆盖，但由于MR覆盖率与采集采样点的多少有关，当弱覆盖终端定向至异系统时，不上报MR采样点，导致覆盖差的采样点较少，无法及时发现问题；
3)、巡检或投诉测试：巡检耗费人力物力，测试周期长，问题发现滞后严重；依靠用户投诉发现问题比较被动，降低了客户满意度；
4)、性能监控：性能监控会根据优化经验对性能指标人为设置一个固定门限，但由于指标的波动性，会存在误差，导致监控存在盲区。
由上可见，现有技术方案均未能有效监控隧道场景的故障，从而使得隧道网络的隐性故障无法被及时发现。
发明内容
鉴于上述问题，本发明实施例提供了一种隧道故障监控方法、装置及计算设备，克服了上述问题或者至少部分地解决了上述问题。
根据本发明实施例的一个方面，提供了一种隧道故障监控方法，所述方法包括：
确定所述隧道的故障特性指标与故障发生比例的关联关系；
获取所述隧道的当前故障特性指标；
根据所述当前故障特性指标以及所述故障特性指标与故障发生比例的关联关系，确定所述当前故障特性指标对应的当前故障发生比例；
根据所述当前故障发生比例，确定所述隧道的当前故障概率；
根据所述当前故障概率，判断所述隧道是否存在故障。
在一种可选的方式中，所述确定所述隧道的故障特性指标与故障发生比例的关联关系，进一步包括：
获取所述隧道的总样本数据，其中，所述总样本数据包括总样本数、故障样本点及所述故障样本点对应的故障特性指标；
根据所述总样本数、故障样本点及所述故障样本点对应的故障特性指标，生成故障特性指标-故障发生比例曲线；
根据所述故障特性指标-故障发生比例曲线确定所述故障特性指标与故障发生比例的关联关系。
在一种可选的方式中，所述根据所述总样本数、故障样本点及所述故障样本点对应的故障特性指标，生成故障特性指标-故障发生比例曲线，进一步包括：
将所述故障特性指标按照预设间隔分成若干个故障特性指标区间；
确定落入各所述故障特性指标区间内的故障样本点；
根据落入各所述故障特性指标区间内的所有故障样本点的数量和所述总样本数，计算各所述故障特性指标区间对应的故障发生比例；
根据所述故障特性指标区间和所述故障发生比例的对应关系，生成所述故障特性指标-故障发生比例曲线。
在一种可选的方式中，所述故障特性指标为RRC重建比例、MAC误码率、重定向比例中的至少一个。
在一种可选的方式中，当所述故障特性指标为RRC重建比例时，所述根据所述故障特性指标-故障发生比例曲线确定所述故障特性指标与故障发生比例的关联关系包括：
确定所述故障特性指标与故障发生比例的关系式为：
其中，a为RRC重建比例，X(a)为RRC重建比例对应的故障发生比例。
在一种可选的方式中，当所述故障特性指标为MAC误码率时，所述根据所述故障特性指标-故障发生比例曲线确定所述故障特性指标与故障发生比例的关联关系包括：
确定所述故障特性指标与故障发生比例的关系式为：
其中，b为MAC误码率，Y(b)为MAC误码率对应的故障发生比例。
在一种可选的方式中，当所述故障特性指标为重定向比例时，所述根据所述故障特性指标-故障发生比例曲线确定所述故障特性指标与故障发生比例的关联关系包括：
确定所述故障特性指标与故障发生比例的关系式为：
其中，c为重定向比例，Z(c)为重定向比例对应的故障发生比例。
在一种可选的方式中，所述方法还包括：分别确定各所述故障特性指标对应的权值；
则，所述根据所述当前故障发生比例，确定所述隧道的当前故障概率，进一步包括：
根据所述当前故障发生比例以及所述故障特性指标对应的权值，计算所述隧道的当前故障概率。
在一种可选的方式中，所述分别确定各所述故障特性指标对应的权值，进一步包括：
统计各所述故障特性指标对应的异常样本点的数量，所述异常样本点为所述故障特性指标高于预设平均阈值的所述故障样本点；
根据各所述故障特性指标对应的异常样本点的数量占所述故障样本点的总数的比例，分别确定各所述故障特性指标对应的权值。
在一种可选的方式中，所述计算所述隧道的当前故障概率具体包括：
P＝X(a)*K1+Y(b)*K2+Z(c)*K3
其中，P为当前故障概率，X(a)为RRC重建比例对应的当前故障发生比例，K1为RRC重建比例对应的权值，Y(b)为MAC误码率对应的当前故障发生比例，K2为MAC误码率对应的权值，Z(c)为重定向比例对应的当前故障发生比例，K3为重定向比例对应的权值。
在一种可选的方式中，所述根据所述当前故障概率，判断所述隧道是否存在故障，进一步包括：
若所述当前故障概率超出预设概率阈值的频率大于预设频率阈值，则确定存在故障。
根据本发明实施例的另一方面，提供了一种隧道故障监控装置，所述装置包括：
关系确定模块，用于确定所述隧道的故障特性指标与故障发生比例的关联关系；
获取模块，用于获取所述隧道的当前故障特性指标；
第一确定模块，用于根据所述当前故障特性指标以及所述确定所述隧道的故障特性指标与故障发生比例的关联关系，确定所述当前故障特性指标对应的当前故障发生比例；
第二确定模块，用于根据所述当前故障发生比例，确定所述隧道的当前故障概率；
判断模块，用于根据所述当前故障概率，判断所述隧道是否存在故障。
根据本发明实施例的另一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上所述的隧道故障监控方法的操作。
根据本发明实施例的另一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上所述的隧道故障监控方法。
本发明实施例通过确定隧道的故障特性指标与故障发生比例的关联关系，获取隧道的当前故障特性指标，根据当前故障特性指标以及故障特性指标与故障发生比例的关联关系，确定当前故障特性指标对应的当前故障发生比例，根据当前故障发生比例，确定隧道的当前故障概率，根据当前故障概率，判断隧道是否存在故障，能够计算出隧道隐性故障发生的概率，从而实现对隧道隐性故障的监控。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。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示出了本发明实施例提供的隧道故障监控方法的流程图；
图2示出了本发明实施例中确定隧道的故障特性指标与故障发生比例的关联关系的方法流程图；
图3示出了本发明实施例中生成故障特性指标-故障发生比例曲线的方法流程图；
图4a示出了本发明实施例中RRC重建比例与故障发生比例的曲线关系图；
图4b示出了本发明实施例中MAC误码率与故障发生比例的曲线关系图；
图4c示出了本发明实施例中重定向比例与故障发生比例的曲线关系图；
图5示出了本发明实施例中分别确定各故障特性指标对应的权值的方法流程图；
图6示出了本发明实施例提供的西湖隧道整改前后指标走势的示意图；
图7示出了本发明实施例提供的隧道故障监控装置的结构示意图；
图8示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
图1示出了本发明实施例提供的隧道故障监控方法的流程图。该方法应用于计算设备中，例如通信网络中的服务器。如图1所示，该方法包括以下步骤：
步骤110、确定隧道的故障特性指标与故障发生比例的关联关系。
本步骤中，可以采用多种方式确定隧道的故障特性指标与故障发生比例的关联关系：当故障特性指标与故障发生比例的关联关系是预先设定的，例如不同区域的隧道对应有不同的故障特性指标与故障发生比例的关联关系，则根据当前隧道所属的区域对应的故障特性指标与故障发生比例的关联关系，确定故障特性指标与故障发生比例的关联关系；当故障特性指标与故障发生比例的关联关系不是预先设定的，则可以根据该隧道的历史数据生成故障特性指标与故障发生比例的关联关系。例如，预先设定有A区域隧道的故障特性指标与故障发生比例的关系式为f1、B区域隧道的故障特性指标与故障发生比例的关系式为f2，则对于A区域的隧道，根据确定隧道的故障特性指标与故障发生比例的关系式为f1。
步骤120、获取隧道的当前故障特性指标。
本步骤中，在确定故障特性指标与故障发生比例的关联关系后，获取隧道的当前故障特性指标。其中，当前故障特性指标为一个具体的已知值，可以根据预设时间单位进行获取，例如，当预设时间单位为天时，则当前故障特性指标为当天的故障特性指标的值；当预设时间单位为小时的时候，则当前故障特性指标为当前小时的故障特性指标的值。例如，假设确定故障特性指标q与故障发生比例M之间存在M(q)＝k*q(k为常数)的函数关系，预设时间单位为天，获取到隧道的当天的故障特性指标的值为q1，则当前故障特性指标为q1。
步骤130、根据当前故障特性指标以及故障特性指标与故障发生比例的关联关系，确定当前故障特性指标对应的当前故障发生比例。
本步骤中，在获取到当前故障特性指标、并确定故障特性指标与故障发生比例的关联关系后，根据当前故障特性指标以及故障特性指标与故障发生比例的关联关系，将当前故障特性指标代入故障特性指标与故障发生比例的关联关系，得到的故障发生比例则为当前故障发生比例。例如，假设确定故障特性指标q与故障发生比例M之间存在M(q)＝k*q(k为常数)的函数关系，获取到当前故障特性指标为q1，则将q1代入M(q)＝k*q，计算得到M(q1)＝k*q1，则当前故障发生比例为k*q1。
步骤140、根据当前故障发生比例，确定隧道的当前故障概率。
本步骤中，在得到当前故障发生比例后，可以根据当前故障发生比例所占的权重，确定隧道的当前故障概率。例如，若当前故障特性指标为一个，当前故障特性指标q1所占权重为1，当前故障发生比例为M(q1)，则隧道的当前故障概率P＝M(q1)*1。
当故障特性指标为多个时，需先确定各个故障特性指标对应的权重，则该隧道故障监控方法还可以包括：分别确定各故障特性指标对应的权值。步骤140具体包括：根据当前故障发生比例以及故障特性指标对应的权值，计算隧道的当前故障概率。
其中，可以采用多种方式确定各个故障特性指标对应的权值：当各个故障特性指标对应的权值是预先设定的，则根据预设对应关系确定各个故障特性指标对应的权值；当各个故障特性指标对应的权值不是预先设定的，则根据可以根据该隧道的历史数据计算各个故障特性指标的权值。
其中，当确定当前故障发生比例以及故障特性指标对应的权值后，根据当前故障发生比例以及故障特性指标对应的权值，计算隧道的当前故障概率。例如，假设故障特性指标q、p，对应的权值分别为0.3、0.7，当前故障特性指标分别为q1、p1，计算得到当前故障发生比例分别为M(q1)、N(p1)，则计算当前故障概率为P＝M(q1)*0.3+N(p1)*0.7。
步骤150、根据当前故障概率，判断隧道是否存在故障。
本步骤中，根据当前故障概率，判断隧道是否存在故障，具体包括：若当前故障概率超出预设概率阈值的频率大于预设频率阈值，则确定存在故障；若当前故障概率未超过预设概率阈值、或者超出预设概率阈值的频率未大于预设频率阈值，则确定不存在故障。
本发明实施例通过确定隧道的故障特性指标与故障发生比例的关联关系，获取隧道的当前故障特性指标，根据当前故障特性指标以及故障特性指标与故障发生比例的关联关系，确定当前故障特性指标对应的当前故障发生比例，根据当前故障发生比例，确定隧道的当前故障概率，根据当前故障概率，判断隧道是否存在故障，能够计算出隧道隐性故障发生的概率，从而实现对隧道隐性故障的监控。
在一些实施例中，故障特性指标为三个，分别是无线资源控制(Radio ResourceControl，RRC)重建比例、介质访问控制(Media Access Control，MAC)误码率、重定向比例。其中，MAC误码率具体为MAC上行误码率。由于隧道内环境封闭，常选用室内分布系统组网方案，属于封闭型室分。发明人通过隧道场景关键KPI分析发现，隧道场景的RRC重建比例、MAC误码率、重定向比例均高于全网均值。并且，通过选取已知存在分布系统隐性故障支路的小区进行研究后，发现在隐性故障发生后，RRC重建比例、MAC误码率、重定向比例均有不同程度的恶化，与全网指标特征吻合。因此，将RRC重建比例、MAC误码率、重定向比例作为隧道的故障特性指标。当然，在一些其他实施例中，可以根据不同区域的网络特性确定隧道的故障特性指标，例如，故障特性指标为RRC重建比例、MAC误码率、重定向比例中的至少一个，或者，故障特性指标为其他特性指标，等等。
当故障特性指标与故障发生比例的关联关系没有预先设置时，则需要根据该地区的隧道的历史数据生成故障特性指标与故障发生比例的关联关系，从而使得故障特性指标与故障发生比例的关联关系能够适用于各个不同地区。图2示出了本发明实施例中确定隧道的故障特性指标与故障发生比例的关联关系的方法流程图。如图2所示，确定隧道的故障特性指标与故障发生比例的关联关系具体包括：
步骤210、获取隧道的总样本数据，其中，总样本数据包括总样本数、故障样本点及故障样本点对应的故障特性指标。
本步骤中，隧道的总样本数据是指预设时间、预设区域内的所有隧道的样本数据，其中，总样本数据包括总样本数、故障样本点以及故障样本点对应的故障特性指标。例如，以浙江省隧道场景的2431个室分小区作为总样本点，将6-8月这个时间段中通过历史巡检测试、投诉、运维等发现的隧道问题小区作为故障样本点，并提取该时间段内所有小区天级粒度(即以天为单位)的故障特性指标(包括RRC重建比例、MAC误码率、重定向比例)，从而获取到隧道的总样本数据。
步骤220、根据总样本数、故障样本点及故障样本点对应的故障特性指标，生成故障特性指标-故障发生比例曲线。
本步骤中，如图3所示，根据总样本数、故障样本点及故障样本点对应的故障特性指标，生成故障特性指标-故障发生比例曲线，具体包括：
步骤221、将故障特性指标按照预设间隔分成若干个故障特性指标区间。
本步骤中，将各个故障特性指标按照预设间隔分成若干个故障特性指标区间，例如，当故障特性指标为RRC重建比例时，假设预设间隔为0.4％，则将RRC重建比例从0开始、每间隔0.4％分成一个区间；当故障特性指标为MAC误码率时，假设预设间隔为0.4％，则将MAC误码率从0开始、每间隔0.4％分成一个区间；当故障特性指标为重定向比例时，假设预设间隔为0.4％，则将重定向比例从0开始、每间隔0.4％分成一个区间。
步骤222、确定落入各故障特性指标区间内的故障样本点。
本步骤中，在将故障特性指标分成若干个故障特性指标区间后，若故障样本点对应的故障特性指标的值在某个故障特性指标区间范围内的，则确定该故障样本点落入该故障特性指标区间。例如，RRC重建比例a分成的若干个区间分别为0≤a<0.4％、0.4％≤a<0.8％等等，一个故障样本点对应的RRC重建比例为0.3％，另两个故障样本点对应的RRC重建比例分别为0.5％、0.6％，则确定有一个故障样本点落入0≤a<0.4％的故障特性指标区间，两个故障样本点落入0.4％≤a<0.8％的故障特性指标区间。
步骤223、根据落入各故障特性指标区间内的所有故障样本点的数量和总样本数，计算各故障特性指标区间对应的故障发生比例。
本步骤中，将落入某个故障特性指标区间内的所有故障样本点的数量除以总样本数，则得到该故障特性区间对应的故障发生比例，以此类推，依次计算各个故障特性指标区间对应的故障发生比例。例如，假设总样本数为2431，RRC重建比例a分成的若干个区间分别为0≤a<0.4％、0.4％≤a<0.8％等等，有一个故障样本点落入0≤a<0.4％的故障特性指标区间，两个故障样本点落入0.4％≤a<0.8％的故障特性指标区间，则0≤a<0.4％的故障特性指标区间对应的故障发生比例为0.04％，0.4％≤a<0.8％的故障特性指标区间对应的故障发生比例为0.08％。
步骤224、根据故障特性指标区间和所述故障发生比例的对应关系，生成故障特性指标-故障发生比例曲线。
本步骤中，在计算得到各故障特性指标区间对应的故障发生比例后，得到故障特性指标区间和故障发生比例的关系图，从而生成故障特性指标-故障发生比例曲线。
当故障特性指标为RRC重建比例时，假设RRC重建比例为a，RRC重建比例a对应的故障发生比例为X(a)，将RRC重建比例a每间隔0.4％分成若干故障特性指标区间，并将故障特性指标区间作为横轴，故障特性指标区间对应的故障发生比例作为纵轴，得到如图4a所示的曲线关系图。
当故障特性指标为MAC误码率时，假设MAC误码率为b，MAC误码率b对应的故障发生比例为Y(b)，将MAC误码率b每间隔0.4％分成若干故障特性指标区间，并将故障特性指标区间作为横轴，故障特性指标区间对应的故障发生比例作为纵轴，得到如图4b所示的曲线关系图。
当故障特性指标为重定向比例时，假设重定向比例为c，重定向比例c对应的故障发生比例为Z(c)，将重定向比例c每间隔0.4％分成若干故障特性指标区间，并将故障特性指标区间作为横轴，故障特性指标区间对应的故障发生比例作为纵轴，得到如图4c所示的曲线关系图。
步骤230、根据故障特性指标-故障发生比例曲线确定故障特性指标与故障发生比例的关联关系。
本步骤中，在生成故障特性指标-故障发生比例曲线之后，根据曲线关系图，生成故障特性指标与故障发生比例的关系式，从而确定故障特性指标与故障发生比例的关联关系。
当故障特性指标为RRC重建比例时，由图4a得出RRC重建比例与故障发生比例的关系式为：
其中，当RRC重建比例a大于等于0且小于10％时，RRC重建比例与故障发生比例基本满足0.19*e13*a的曲线关系；当RRC重建比例a大于等于10％时，故障发生比例接近于1。
当故障特性指标为MAC误码率时，由图4b得出MAC误码率与故障发生比例的关系式为：
其中，当MAC误码率b大于等于0且小于8％时，MAC误码率与故障发生比例基本满足-95*b2+18*b+0.05的曲线关系；当MAC误码率b大于等于10％时，故障发生比例接近于1。
当故障特性指标为重定向比例时，由图4c得出重定向比例与故障发生比例的关系式为：
其中，当重定向比例c等于0且小于6％时，重定向比例c与故障发生比例基本满足0.12*e36*c的曲线关系；当重定向比例c大于等于6％时，故障发生比例接近于1。
当故障特性指标为多个时，需先分别确定各个故障特性指标对应的权重，从而根据各个故障特性指标对应的权重计算隧道的当前故障概率。图5示出了本发明实施例中分别确定各故障特性指标对应的权值的方法流程图。如图5所示，分别确定各故障特性指标对应的权值具体包括：
步骤310、统计各故障特性指标对应的异常样本点的数量，异常样本点为故障特性指标高于预设平均阈值的故障样本点。
本步骤中，预设平均阈值可以为预先设置的故障特性指标的平均值，则当故障样本点的故障特性指标高于预设平均阈值时，该故障样本点为异常样本点。例如，假设385个故障样本点中，统计得到：故障发生后，导致RRC重建比例a高于预设平均阈值
的小区有227个，导致MAC误码率b高于预设平均阈值
的小区有77个，导致重定向比例c高于预设平均阈值
的小区有81个。
步骤320、根据各故障特性指标对应的异常样本点的数量占故障样本点的总数的比例，分别确定各故障特性指标对应的权值。
本步骤中，计算故障特性指标对应的异常样本点的数量占故障样本点的总数的比例，则得到该故障特性指标对应的权值。例如，假设385个故障样本点中，RRC重建比例a对应的异常样本点为227个，则RRC重建比例a对应的权值K1为59％；MAC误码率b对应的异常样本点为77个，则MAC误码率b对应的权值K2为20％,；重定向比例c对应的异常样本点为81个，则重定向比例c对应的权值K3为21％。
进一步的，根据当前故障发生比例以及故障特性指标对应的权值，计算隧道的当前故障概率，具体包括：
根据下述公式计算隧道的当前故障概率：
P＝X(a)*K1+Y(b)*K2+Z(c)*K3 公式(4)
其中，P为当前故障概率，X(a)为RRC重建比例对应的当前故障发生比例，K1为RRC重建比例对应的权值，Y(b)为MAC误码率对应的当前故障发生比例，K2为MAC误码率对应的权值，Z(c)为重定向比例对应的当前故障发生比例，K3为重定向比例对应的权值。
根据公式(1)、(2)、(3)计算得到各当前故障特性指标对应的故障发生比例后，根据公式(4)计算得到隧道的当前故障概率。
为了验证方法的有效性，对杭州城区主要隧道进行评估，选取西湖隧道进行验证：西湖隧道全长2公里左右，分别由杭州环湖饭店LY解放路西湖隧道入口GF90度270度D_142_2CA133、杭州环湖饭店LY解放路西湖隧道入口GF90度270度_132_2CA129、杭州环湖饭店LY解放路西湖隧道入口GF90度270度D_133、杭州环湖饭店LY解放路西湖隧道入口GF90度270度_129、杭州武林分公司LY西湖隧道_1五个小区覆盖。其中，杭州武林分公司LY西湖隧道_1设于隧道内部，全程由泄露电缆覆盖；其余四个小区设于隧道出入口，由室外宏站覆盖。
依据上述实施例中的隧道故障监控方法计算各个隧道小区的当前故障概率可参考表1所示。
表1
经测试验证，车辆从南向北行驶进入隧道前，用户设备(User Equipment，UE)占用杭州环湖饭店LY解放路西湖隧道入口GF90度270度D_142_2CA133，进入隧道后切换至杭州武林分公司LY西湖隧道_1，电平值在-90dBm左右，行驶一段距离后，覆盖电平逐渐劣化至-110dBm以下，由于信号较差，UE发生重建，大概行驶100米后，隧道内信号恢复正常。
后台监控确认无告警，经现场排查发现弱覆盖路段泄露电缆损坏，故障处理后，指标提升明显。西湖隧道整改前后指标走势可参考图6所示。
通过该隧道故障监控方法对全省隧道异常小区进行派单排查，经地市反馈151个异常小区存在故障，原因分别为：分布系统支路故障导致的弱覆盖有78个，参数不合理导致的弱覆盖有46个。判断隧道隐性故障的准确率达到了82％。部分隧道隐性故障排查反馈结果可参考表2所示。
表2
表2(续)
经过隧道隐性故障排查小区进行隐性故障排查后，对比异常小区占比从原来的12.3％降至8.1％左右，下降了4.2％，提升效率显著，节省了大量的人力物力。隐性故障细分原因结果分别为：29％为天线损坏、8％为馈线问题、19％为元器件故障、7％为天线口输出功率不足。
本发明实施例通过多场景的大数据分析，挖掘出RRC重建比例、MAC上行误码率、重定向比例作为隧道场景的特性指标，场景特征指标明显，有助于LTE网络的分场景专题分析深入开展；收集大量的故障小区样本，通过统计对特性指标影响的小区数，来判断对指标的影响程度，从而得出权值系数，该系数适合当地的网络特性，其他地市可以根据本地网络特点进行修改；以隧道场景特性指标为出发点，从三个维度联合评估隐性故障得分，计算出隐性故障发生概率，成功构建隧道场景独特的监控方法。本发明实施例的具体有益效果如下：
1.易推广：通过场景的大数据分析，挖掘出隧道场景的特征指标，并以此为核心，通过算法分析计算隐性故障发生概率，成功构建了隧道场景的网络监控方法，可实施性高，有利于推广，尤其是隧道广泛分布的地区；
2.高效率：通过本发明的隧道故障监控方法，可以主动开展隧道场景的网络质量监控，问题主动发现能力强，无需通过现场测试或者依靠客户投诉，即可发现隧道分布系统的网络故障，真正实现降本增效；
3、低成本：该隧道故障监控方法可移植性强，所需地市只需根据当地的网络特性，输入合适的系数即可启用该监控方法，无需增加任何成本。
图7示出了本发明实施例提供的隧道故障监控装置的结构示意图。如图7所示，该装置700包括：关系确定模块710、获取模块720、第一确定模块730、第二确定模块740和判断模块750。
关系确定模块710用于确定隧道的故障特性指标与故障发生比例的关联关系；获取模块720用于获取隧道的当前故障特性指标；第一确定模块730用于根据当前故障特性指标以及确定隧道的故障特性指标与故障发生比例的关联关系，确定当前故障特性指标对应的当前故障发生比例；第二确定模块740用于根据当前故障发生比例，确定隧道的当前故障概率；判断模块750用于根据当前故障概率，判断隧道是否存在故障。
在一种可选的方式中，关系确定模块710进一步用于获取隧道的总样本数据，其中，总样本数据包括总样本数、故障样本点及故障样本点对应的故障特性指标；根据总样本数、故障样本点及故障样本点对应的故障特性指标，生成故障特性指标-故障发生比例曲线；根据故障特性指标-故障发生比例曲线确定故障特性指标与故障发生比例的关联关系。
在一种可选的方式中，根据总样本数、故障样本点及故障样本点对应的故障特性指标，生成故障特性指标-故障发生比例曲线，进一步包括：将故障特性指标按照预设间隔分成若干个故障特性指标区间；确定落入各故障特性指标区间内的故障样本点；根据落入各故障特性指标区间内的所有故障样本点的数量和总样本数，计算各故障特性指标区间对应的故障发生比例；根据故障特性指标区间和故障发生比例的对应关系，生成故障特性指标-故障发生比例曲线。
在一种可选的方式中，故障特性指标为RRC重建比例、MAC误码率、重定向比例中的至少一个。
在一种可选的方式中，当故障特性指标为RRC重建比例时，根据故障特性指标-故障发生比例曲线确定故障特性指标与故障发生比例的关联关系包括：
确定故障特性指标与故障发生比例的关系式为：
其中，a为RRC重建比例，X(a)为RRC重建比例对应的故障发生比例。
在一种可选的方式中，当故障特性指标为MAC误码率时，根据故障特性指标-故障发生比例曲线确定故障特性指标与故障发生比例的关联关系包括：
确定故障特性指标与故障发生比例的关系式为：
其中，b为MAC误码率，Y(b)为MAC误码率对应的故障发生比例。
在一种可选的方式中，当故障特性指标为重定向比例时，根据故障特性指标-故障发生比例曲线确定故障特性指标与故障发生比例的关联关系包括：
确定故障特性指标与故障发生比例的关系式为：
其中，c为重定向比例，Z(c)为重定向比例对应的故障发生比例。
在一种可选的方式中，装置700还包括：权值确定模块。权值确定模块用于分别确定各故障特性指标对应的权值。第二确定模块740进一步用于：根据当前故障发生比例以及故障特性指标对应的权值，计算隧道的当前故障概率。
在一种可选的方式中，权值确定模块760具体用于：统计各故障特性指标对应的异常样本点的数量，异常样本点为故障特性指标高于预设平均阈值的故障样本点；根据各故障特性指标对应的异常样本点的数量占故障样本点的总数的比例，分别确定各故障特性指标对应的权值。
在一种可选的方式中，计算所述隧道的当前故障概率具体包括：
P＝X(a)*K1+Y(b)*K2+Z(c)*K3
其中，P为当前故障概率，X(a)为RRC重建比例对应的当前故障发生比例，K1为RRC重建比例对应的权值，Y(b)为MAC误码率对应的当前故障发生比例，K2为MAC误码率对应的权值，Z(c)为重定向比例对应的当前故障发生比例，K3为重定向比例对应的权值。
在一种可选的方式中，判断模块750具体用于：若当前故障概率超出预设概率阈值的频率大于预设频率阈值，则确定存在故障。
需要说明的是，本发明实施例提供的隧道故障监控装置是能够执行上述隧道故障监控方法的装置，则上述基于隧道故障监控方法的所有实施例均适用于该装置，且均能达到相同或相似的有益效果。
本发明实施例通过确定隧道的故障特性指标与故障发生比例的关联关系，获取隧道的当前故障特性指标，根据当前故障特性指标以及故障特性指标与故障发生比例的关联关系，确定当前故障特性指标对应的当前故障发生比例，根据当前故障发生比例，确定隧道的当前故障概率，根据当前故障概率，判断隧道是否存在故障，能够计算出隧道隐性故障发生的概率，从而实现对隧道隐性故障的监控。
本发明实施例提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行上述任意方法实施例中的隧道故障监控方法。
本发明实施例通过确定隧道的故障特性指标与故障发生比例的关联关系，获取隧道的当前故障特性指标，根据当前故障特性指标以及故障特性指标与故障发生比例的关联关系，确定当前故障特性指标对应的当前故障发生比例，根据当前故障发生比例，确定隧道的当前故障概率，根据当前故障概率，判断隧道是否存在故障，能够计算出隧道隐性故障发生的概率，从而实现对隧道隐性故障的监控。
本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机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，使所述计算机执行上述任意方法实施例中的隧道故障监控方法。
本发明实施例通过确定隧道的故障特性指标与故障发生比例的关联关系，获取隧道的当前故障特性指标，根据当前故障特性指标以及故障特性指标与故障发生比例的关联关系，确定当前故障特性指标对应的当前故障发生比例，根据当前故障发生比例，确定隧道的当前故障概率，根据当前故障概率，判断隧道是否存在故障，能够计算出隧道隐性故障发生的概率，从而实现对隧道隐性故障的监控。
图8示出了本发明实施例提供的计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
如图8所示，该计算设备可以包括：处理器(processor)802、通信接口(Communications Interface)804、存储器(memory)806、以及通信总线808。
其中：处理器802、通信接口804、以及存储器806通过通信总线808完成相互间的通信。通信接口804，用于与其它设备比如客户端或其它服务器等的网元通信。处理器802，用于执行程序810，具体可以执行上述任意方法实施例中的隧道故障监控方法。
具体地，程序810可以包括程序代码，该程序代码包括计算机操作指令。
处理器802可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。计算设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器806，用于存放程序810。存储器806可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
本发明实施例通过确定隧道的故障特性指标与故障发生比例的关联关系，获取隧道的当前故障特性指标，根据当前故障特性指标以及故障特性指标与故障发生比例的关联关系，确定当前故障特性指标对应的当前故障发生比例，根据当前故障发生比例，确定隧道的当前故障概率，根据当前故障概率，判断隧道是否存在故障，能够计算出隧道隐性故障发生的概率，从而实现对隧道隐性故障的监控。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。
Claims (14)
1.一种隧道故障监控方法，其特征在于，所述方法包括：
确定所述隧道的故障特性指标与故障发生比例的关联关系；
获取所述隧道的当前故障特性指标；
根据所述当前故障特性指标以及所述故障特性指标与故障发生比例的关联关系，确定所述当前故障特性指标对应的当前故障发生比例；
根据所述当前故障发生比例，确定所述隧道的当前故障概率；
根据所述当前故障概率，判断所述隧道是否存在故障。
2.根据权利要求1所述的方法，其特征在于，所述确定所述隧道的故障特性指标与故障发生比例的关联关系，进一步包括：
获取所述隧道的总样本数据，其中，所述总样本数据包括总样本数、故障样本点及所述故障样本点对应的故障特性指标；
根据所述总样本数、故障样本点及所述故障样本点对应的故障特性指标，生成故障特性指标-故障发生比例曲线；
根据所述故障特性指标-故障发生比例曲线确定所述故障特性指标与故障发生比例的关联关系。
3.根据权利要求2所述的方法，其特征在于，所述根据所述总样本数、故障样本点及所述故障样本点对应的故障特性指标，生成故障特性指标-故障发生比例曲线，进一步包括：
将所述故障特性指标按照预设间隔分成若干个故障特性指标区间；
确定落入各所述故障特性指标区间内的故障样本点；
根据落入各所述故障特性指标区间内的所有故障样本点的数量和所述总样本数，计算各所述故障特性指标区间对应的故障发生比例；
根据所述故障特性指标区间和所述故障发生比例的对应关系，生成所述故障特性指标-故障发生比例曲线。
4.根据权利要求3所述的方法，其特征在于，所述故障特性指标为RRC重建比例、MAC误码率、重定向比例中的至少一个。
5.根据权利要求4所述的方法，其特征在于，当所述故障特性指标为RRC重建比例时，所述根据所述故障特性指标-故障发生比例曲线确定所述故障特性指标与故障发生比例的关联关系包括：
确定所述故障特性指标与故障发生比例的关系式为：
其中，a为RRC重建比例，X(a)为RRC重建比例对应的故障发生比例。
6.根据权利要求4所述的方法，其特征在于，当所述故障特性指标为MAC误码率时，所述根据所述故障特性指标-故障发生比例曲线确定所述故障特性指标与故障发生比例的关联关系包括：
确定所述故障特性指标与故障发生比例的关系式为：
其中，b为MAC误码率，Y(b)为MAC误码率对应的故障发生比例。
7.根据权利要求4所述的方法，其特征在于，当所述故障特性指标为重定向比例时，所述根据所述故障特性指标-故障发生比例曲线确定所述故障特性指标与故障发生比例的关联关系包括：
确定所述故障特性指标与故障发生比例的关系式为：
其中，c为重定向比例，Z(c)为重定向比例对应的故障发生比例。
8.根据权利要求4所述的方法，其特征在于，
所述方法还包括：
分别确定各所述故障特性指标对应的权值；
则，所述根据所述当前故障发生比例，确定所述隧道的当前故障概率，进一步包括：
根据所述当前故障发生比例以及所述故障特性指标对应的权值，计算所述隧道的当前故障概率。
9.根据权利要求8所述的方法，其特征在于，所述分别确定各所述故障特性指标对应的权值，进一步包括：
统计各所述故障特性指标对应的异常样本点的数量，所述异常样本点为所述故障特性指标高于预设平均阈值的所述故障样本点；
根据各所述故障特性指标对应的异常样本点的数量占所述故障样本点的总数的比例，分别确定各所述故障特性指标对应的权值。
10.根据权利要求8所述的方法，其特征在于，所述计算所述隧道的当前故障概率具体包括：
P＝X(a)*K1+Y(b)*K2+Z(c)*K3
其中，P为当前故障概率，X(a)为RRC重建比例对应的当前故障发生比例，K1为RRC重建比例对应的权值，Y(b)为MAC误码率对应的当前故障发生比例，K2为MAC误码率对应的权值，Z(c)为重定向比例对应的当前故障发生比例，K3为重定向比例对应的权值。
11.根据权利要求1-10任一项所述的方法，其特征在于，所述根据所述当前故障概率，判断所述隧道是否存在故障，进一步包括：
若所述当前故障概率超出预设概率阈值的频率大于预设频率阈值，则确定存在故障。
12.一种隧道故障监控装置，其特征在于，所述装置包括：
关系确定模块，用于确定所述隧道的故障特性指标与故障发生比例的关联关系；
获取模块，用于获取所述隧道的当前故障特性指标；
第一确定模块，用于根据所述当前故障特性指标以及所述确定所述隧道的故障特性指标与故障发生比例的关联关系，确定所述当前故障特性指标对应的当前故障发生比例；
第二确定模块，用于根据所述当前故障发生比例，确定所述隧道的当前故障概率；
判断模块，用于根据所述当前故障概率，判断所述隧道是否存在故障。
13.一种计算设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-11中任意一项所述的隧道故障监控方法的操作。
14.一种计算机存储介质，其特征在于，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-11中任意一项所述的隧道故障监控方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910462428.0A CN112020087B (zh) | 2019-05-30 | 2019-05-30 | 隧道故障监控方法、装置及计算设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910462428.0A CN112020087B (zh) | 2019-05-30 | 2019-05-30 | 隧道故障监控方法、装置及计算设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112020087A true CN112020087A (zh) | 2020-12-01 |
| CN112020087B CN112020087B (zh) | 2023-04-28 |
Family
ID=73502149
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910462428.0A Active CN112020087B (zh) | 2019-05-30 | 2019-05-30 | 隧道故障监控方法、装置及计算设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112020087B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115314358A (zh) * | 2021-05-08 | 2022-11-08 | 中国移动通信集团福建有限公司 | 一种家宽网络的哑网元故障监控方法和装置 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106021062A (zh) * | 2016-05-06 | 2016-10-12 | 广东电网有限责任公司珠海供电局 | 关联故障的预测方法和系统 |
| CN107027138A (zh) * | 2016-01-29 | 2017-08-08 | 中国移动通信集团福建有限公司 | 一种室分隐性故障排查方法及装置 |
| CN109657797A (zh) * | 2018-12-24 | 2019-04-19 | 中国人民解放军32181部队 | 基于混合诊断贝叶斯网络的故障诊断能力分析方法 |
| CN109726084A (zh) * | 2018-12-13 | 2019-05-07 | 网联清算有限公司 | 数据中心的故障问题的分析方法及装置 |
-
2019
- 2019-05-30 CN CN201910462428.0A patent/CN112020087B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107027138A (zh) * | 2016-01-29 | 2017-08-08 | 中国移动通信集团福建有限公司 | 一种室分隐性故障排查方法及装置 |
| CN106021062A (zh) * | 2016-05-06 | 2016-10-12 | 广东电网有限责任公司珠海供电局 | 关联故障的预测方法和系统 |
| CN109726084A (zh) * | 2018-12-13 | 2019-05-07 | 网联清算有限公司 | 数据中心的故障问题的分析方法及装置 |
| CN109657797A (zh) * | 2018-12-24 | 2019-04-19 | 中国人民解放军32181部队 | 基于混合诊断贝叶斯网络的故障诊断能力分析方法 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115314358A (zh) * | 2021-05-08 | 2022-11-08 | 中国移动通信集团福建有限公司 | 一种家宽网络的哑网元故障监控方法和装置 |
| CN115314358B (zh) * | 2021-05-08 | 2024-04-09 | 中国移动通信集团福建有限公司 | 一种家宽网络的哑网元故障监控方法和装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112020087B (zh) | 2023-04-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104853379B (zh) | 一种无线网络质量评估方法及装置 | |
| CN105744553B (zh) | 一种网络关联分析方法及装置 | |
| CN111356147B (zh) | 一种室分小区故障定位方法及装置 | |
| CN110505650B (zh) | 随机异构分层网容量智能评估方法及装置 | |
| CN108271171B (zh) | 建筑物网络状况统计方法及装置 | |
| WO2021103577A1 (zh) | 一种基于mdt的室内信号外泄分析方法及系统 | |
| CN105357708A (zh) | 一种站点确定关联接入点的方法、装置和系统 | |
| CN111325561A (zh) | 智能投诉处理方法、装置、电子设备及存储介质 | |
| CN104683182A (zh) | Idc机房网络服务质量检测方法及装置 | |
| US20240040501A1 (en) | Processing method and processing apparatus for saving energy of base station | |
| CN106358212A (zh) | 室内分布系统的检测方法和装置 | |
| CN106714189B (zh) | 一种小区过覆盖的分析方法及装置 | |
| CN101637042B (zh) | 无线小区监视方法、其设备及其程序 | |
| CN106998563B (zh) | 一种基于网络性能的室分系统预警方法及装置 | |
| CN107438264A (zh) | 小区性能分析方法及装置 | |
| CN112020087B (zh) | 隧道故障监控方法、装置及计算设备 | |
| CN109982365B (zh) | 基于仿真和mro数据的天馈问题核查方法及装置 | |
| Asghar et al. | Correlation-based cell degradation detection for operational fault detection in cellular wireless base-stations | |
| CN114240031A (zh) | 一种面向电力业务的5g网络承载质量评估方法 | |
| CN113784378A (zh) | 室分小区故障检测方法、装置、服务器及存储介质 | |
| CN106941685B (zh) | 一种确定天线接反的方法及系统 | |
| Mardeni et al. | Path loss model optimization for urban outdoor coverage using Code Division Multiple Access (CDMA) system at 822MHZ | |
| CN104244301A (zh) | 基于无线指标定位lte网络问题的方法和系统 | |
| CN110430596A (zh) | 无线信号覆盖区域的质量评估方法、装置及可读存储介质 | |
| CN110839257B (zh) | 网络质量评估方法、设备和存储介质 |
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 |