CN112702194B - 室分小区故障定位方法、装置及电子设备 - Google Patents
室分小区故障定位方法、装置及电子设备 Download PDFInfo
- Publication number
- CN112702194B CN112702194B CN202011494064.3A CN202011494064A CN112702194B CN 112702194 B CN112702194 B CN 112702194B CN 202011494064 A CN202011494064 A CN 202011494064A CN 112702194 B CN112702194 B CN 112702194B
- Authority
- CN
- China
- Prior art keywords
- cell
- indoor
- signal
- sampling points
- sub
- 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 47
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 238000005070 sampling Methods 0.000 claims description 80
- 238000012549 training Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 5
- 238000013024 troubleshooting Methods 0.000 abstract description 5
- 238000007726 management method Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000003442 weekly effect Effects 0.000 description 6
- 230000032823 cell division Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 125000000205 L-threonino group Chemical group [H]OC(=O)[C@@]([H])(N([H])[*])[C@](C([H])([H])[H])([H])O[H] 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
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
- H04L41/0677—Localisation of faults
-
- 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
- H04L43/06—Generation of reports
-
- 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
- H04L43/16—Threshold monitoring
-
- 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
- H04L43/50—Testing arrangements
-
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
-
- 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
-
- 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)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本申请提供一种室分小区故障定位方法、装置及电子设备，在预测时间节点，获取室分系统中各个室分小区的信号强度测试报告，信号强度测试报告包括信号指标参数。根据各个室分小区的信号指标参数以及对应的信号门限参数确定室分系统中的故障室分小区，其中，信号门限参数根据预设预测模型进行确定，预设预测模型的参数输入为对应小区在历史周期内采集的信号强度测试报告，历史周期包括预测时间节点之前的预设时长。及时发现室分小区故障问题，从而无需大量人力去现场测试定位，提高了室分小区故障定位准确率以及故障排查的效率，进而提升了用户体验。
Description
技术领域
本申请涉及通信技术领域，尤其涉及一种室分小区故障定位方法、装置及电子设备。
背景技术
室分系统是利用室内天线分布系统将基站信号均匀分布在室内每个角落，从而保证室内每个区域都能达到理想的信号覆盖。室分小区为室分系统覆盖的小区。
现有的室分小区故障定位方法依赖于网管系统，当网管系统发现室分小区的整体信号强度低于人为设定的信号门限参数时，则可以确定该小区出现了网络故障。
然而，当室分系统一部分支路出现故障时，可能只有部分指标的轻微变化，室分小区的整体信号强度并不会发生异常，上述方法将无法及时定位室分小区的网络故障。
发明内容
本申请提供一种室分小区故障定位方法、装置及电子设备，用以解决现有技术无法及时定位室分小区网络故障的问题。
第一方面，本申请提供一种室分小区故障定位方法，包括：
在预测时间节点，获取室分系统中各个室分小区的信号强度测试报告，信号强度测试报告包括信号指标参数；
根据各个室分小区的信号指标参数以及对应的信号门限参数确定室分系统中的故障室分小区，其中，信号门限参数根据预设预测模型进行确定，预设预测模型的参数输入为对应小区在历史周期内采集的信号强度测试报告，历史周期包括预测时间节点之前的预设时长。
可选地，根据各个室分小区的信号指标参数以及对应的信号门限参数确定室分系统中的故障室分小区，包括：
若目标室分小区的目标信号指标参数大于目标信号门限参数，则确定目标室分小区为故障室分小区，其中，目标室分小区为室分系统中的任意小区。
可选地，若确目标室分小区的目标信号指标参数大于目标信号门限参数的次数或者时长大于预设阈值，则确定目标室分小区为故障室分小区。
可选地，在根据各个室分小区的信号指标参数以及对应的信号门限参数确定室分系统中的故障室分小区之前，还包括：
获取历史周期内目标室分小区中各个采样点的信号指标参数；
将获取到的各个采样点的信号指标参数按照预设指标区间范围进行区间划分，以确定各个指标区间范围内的采样点数量以及采样点分布占比；
利用采样点数量以及采样点分布占比对预设时间序列模型进行训练，以确定预设预测模型。
可选地，在利用采样点数量以及采样点分布占比对预设时间序列模型进行训练，以确定预设预测模型之后，还包括：
将信号指标参数分解为多个特征项以及误差项，特征项用于表征信号指标参数的性能特征，误差项用于表征信号指标参数的噪声特性；
根据特征项以及预设预测模型确定预测特征项；
根据预测特征项以及误差项确定预测指标参数；
根据信号指标参数以及特征项确定随机序列，并确定随机序列的标准差；
根据预测指标参数以及标准差确定信号门限参数。
可选地，特征项包括趋势项以及周期性。
第二方面，本申请提供一种室分小区故障定位装置，装置包括：
获取模块，用于在预测时间节点，获取室分系统中各个室分小区的信号强度测试报告，信号强度测试报告包括信号指标参数；
处理模块，用于根据各个室分小区的信号指标参数以及对应的信号门限参数确定室分系统中的故障室分小区，其中，信号门限参数根据预设预测模型进行确定，预设预测模型的参数输入为对应小区在历史周期内采集的信号强度测试报告，历史周期包括预测时间节点之前的预设时长。
第三方面，本申请提供一种电子设备，包括：存储器，处理器；
存储器；用于存储处理器可执行指令的存储器；
处理器，用于根据存储器存储的可执行指令，实现第一方面及可选方案涉及的室分小区故障定位方法。
第四方面，本申请提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现第一方面及可选方案涉及的室分小区故障定位方法。
第五方面，本申请提供一种计算机程序产品，包括指令，该指令被处理器执行时实现第一方面及可选方案涉及的室分小区故障定位方法。
本申请提供一种室分小区故障定位方法、装置及电子设备，在预测时间节点，获取室分系统中各个室分小区的信号强度测试报告，信号强度测试报告包括信号指标参数。根据各个室分小区的信号指标参数以及对应的信号门限参数确定室分系统中的故障室分小区，其中，信号门限参数根据预设预测模型进行确定，预设预测模型的参数输入为对应小区在历史周期内采集的信号强度测试报告，历史周期包括预测时间节点之前的预设时长。及时发现室分小区故障问题，从而无需大量人力去现场测试定位，提高了室分小区故障定位准确率以及故障排查的效率，进而提升了用户体验。
附图说明
为了更清楚地说明本申请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申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请根据一示例性实施例示出的室分小区故障定位方法的场景示意图；
图2为本申请根据一示例性实施例示出的室分小区故障定位方法的流程示意图；
图3为本申请根据另一示例性实施例示出的室分小区故障定位方法的流程示意图；
图4为在上述各实施例提供的方法的基础上确定的故障室分小区示意图；
图5为本申请根据一示例性实施例示出的室分小区故障定位装置的结构示意图；
图6为本申请根据一示例性实施例示出的电子设备的硬件结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
随着移动通信技术的发展，移动通信网络的规模越来越大，相应的无线网络结构也越来越复杂。室内信号分布系统是利用室内天线分布系统将基站信号均匀分布在室内每个角落，从而保证室内每个区域都能达到理想的信号覆盖，进而改善建筑物内的移动通信环境。室内信号分布系统也称为室分系统，室分系统覆盖的小区称为室分小区。
现有的室分小区故障定位方法比较依赖于厂家的常规网管系统，在网管系统监控室分小区的整体信号强度和告警状态，人为设定的信号门限参数，当网管系统发现室分小区的整体信号强度低于人为设定的信号门限参数时，则可以确定该小区出现了网络故障。
然而，当室分系统一部分支路出现故障时，可能只有部分指标的轻微变化，室分小区的整体信号强度并不会发生异常，上述方法将无法及时定位室分小区的网络故障。
本申请的发明构思是：通过获取历史时间内目标室分小区的信号指标参数，根据历史周期内的信号指标参数训练预设预测模型，以获得预测信号门限参数。获取预测时间内的真实信号指标参数，将真实信号指标参数与预测信号门限参数进行对比，根据对比结果判断目标室分小区是否存在网络故障。能够及时发现存在网络故障的室分小区。
图1为本申请根据一示例性实施例示出的室分小区故障定位方法的场景示意图。如图1所示，室分小区110下有多个用户设备(User Equipment，UE)终端120，基站130下有多个室分小区110。UE终端120根据基站130下发的频点信息，上报测试报告，测试报告中包含有UE终端所在室分小区的信号强度、UE终端相邻室分小区的基站ID等信息。
图2为本申请根据一示例性实施例示出的室分小区故障定位方法的流程示意图。如图2所示，本实施例提供的室分小区故障定位方法包括如下步骤：
S101、在预测时间节点，获取室分系统中各个室分小区的信号强度测试报告，信号强度测试报告包括信号指标参数。
更具体地，预测时间节点可以根据实际需要进行设置，可以为未来几小时或者是未来几天。室分系统中可以有多个室分小区。每个室分小区下的UE终端在物理层测量小区信号强度后，通过空口发送到室分基站，再由基站传输到后台数据库，以此获得室分系统中各个室分小区的信号强度测试报告。信号强度测试报告包括信号指标参数。
S102、根据各个室分小区的信号指标参数以及对应的信号门限参数确定室分系统中的故障室分小区。其中，信号门限参数根据预设预测模型进行确定，预设预测模型的参数输入为对应小区在历史周期内采集的信号强度测试报告，历史周期包括预测时间节点之前的预设时长。
更具体地，每个室分小区设置对应的信号门限参数。信号门限参数根据预测模型预测得到，预测模型根据历史周期内对应室分小区的信号指标参数训练得到。其中，历史周期可以根据实际需要进行设置，可以为过去连续几小时或者是过去连续几天。根据预测时间节点各个室分小区的信号指标参数和对应的信号门限参数，确定室分系统中的各个室分小区是否为故障室分小区。
在本实施例提供的方法中，在预测时间节点，通过获取室分系统中各个室分小区的信号强度测试报告，信号强度测试报告包括信号指标参数，将各个室分小区的信号指标参数与对应的信号门限参数进行对比后，及时发现室分小区故障问题，从而无需大量人力去现场测试定位，提高了室分小区故障定位准确率以及故障排查的效率，进而提升了用户体验。
图3为本申请根据另一示例性实施例示出的室分小区故障定位方法的流程示意图。如图3所示，本实施例提供的室分小区故障定位方法包括如下步骤：
S201、在预测时间节点，获取室分系统中各个室分小区的信号强度测试报告，信号强度测试报告包括信号指标参数。
其中，步骤S201与图2实施例中的步骤S101实现方式类似，本实施例此处不再赘述。
S202、判断目标室分小区的目标信号指标参数是否大于目标信号门限参数，其中，目标室分小区为室分系统中的任意小区。
更具体地，确定室分系统中的任一小区为目标室分小区。目标信号指标参数是指在预测时间节点内目标室分小区的信号指标参数。目标信号门限参数是指目标室分小区的信号门限参数。
S203、若目标室分小区的目标信号指标参数大于目标信号门限参数，则确定目标室分小区为故障室分小区。
可选地，若目标室分小区的目标信号指标参数大于目标信号门限参数的次数或者时长大于预设阈值，则确定目标室分小区为故障室分小区。
更具体地，预设阈值可以根据实际情况进行设置。每次目标室分小区的目标信号指标参数大于目标信号门限参数，目标信号门限参数的次数加1，通过不断累加，目标信号门限参数的次数不断增大，当目标信号门限参数的次数超过预设阈值时，表明目标室分小区出现故障的次数较多，确定目标室分小区为故障室分小区；或者，目标室分小区的目标信号指标参数连续超过目标信号门限参数，当连续时长超过预设阈值时，表明目标室分小区出现故障的时间较长，确定目标室分小区为故障室分小区。定位到故障室分小区之后，通知相关排障人员，对故障及时处理，先于用户投诉发现问题，解决问题，保证网络健康运行，提升客户感知和满意度。
S204、若目标室分小区的目标信号指标参数不大于目标信号门限参数，则确定目标室分小区为非故障室分小区。
更具体地，当目标室分小区的目标信号指标参数未超过预测的动态门限，则说明目标室分小区网络运行正常。
本申请再一实施例提供一种室分小区故障定位方法，该方法包括如下步骤：
S301、获取历史周期内目标室分小区中各个采样点的信号指标参数。
例如，获取过去连续28天的目标室分小区中各个采样点的信号指标参数。在对原始信号指标参数进行分析的过程中，发现参数中存在格式的不一致性、空缺值和无用信息等噪声参数，这些噪声数据不利于模型的训练，需要对原始信号指标参数进行预处理。
原始信号指标参数中存在空缺值，如室分小区低于-95dbm采样点数量在某一天的某个时刻没有数值。需要采用上下均值替代法，即用空缺值时刻的上个时刻数据和下个时刻数据计算并取均值来填补缺失的信号指标参数。经过一系列对原始信号指标参数的分析与处理，得到适合模型训练的标准、连续的信号指标参数。
S302、将获取到的各个采样点的信号指标参数按照预设指标区间范围进行区间划分，以确定各个指标区间范围内的采样点数量以及采样点分布占比。
更具体地，室分小区的后台指标监控手段通过网管系统固定设置好的指标生成标准格式化的指标，本实施例通过网管系统获取目标室分小区六个指标的采样点数量：(1)低于-115dbm采样点数量；(2)低于-110dbm采样点数量；(3)低于-105dbm采样点数量；(4)低于-100dbm采样点数量；(5)低于-95dbm采样点数量；(6)总采样点数量。
根据-95dbm、-100dbm、-105dbm、-110dbm、-115dbm这五个数值，设置六个预设指标区间范围：(1)大于等于-95dbm；(2)[-100dbm，-95dbm)；(3)[-105dbm，-100dbm)；(4)[-110dbm，-105dbm)；(5)[-115dbm，-110dbm)；(6)小于-115dbm。
将获取到的各个采样点的信号指标参数按照预设指标区间范围进行区间划分，室分小区各个指标区间范围内的采样点数量为：
(1)大于等于-95dbm采样点数量＝总采样点数量-低于-95dbm采样点数量；
(2)[-100dbm，-95dbm)采样点数量＝低于-95dbm采样点数量-低于-100dbm采样点数量；。
(3)[-105dbm，-100dbm)采样点数量＝低于-100dbm采样点数量-低于-105dbm采样点数量；
(4)[-110dbm，-105dbm)采样点数量＝低于-105dbm采样点数量-低于-110dbm采样点数量；
(5)[-115dbm，-110dbm)采样点数量＝低于-110dbm采样点数量-低于-115dbm采样点数量；
(6)小于-115dbm采样点数量＝低于-115dbm采样点数量。
根据各个指标区间范围内的采样点数量以及总采样点数量，计算各个指标区间范围内的采样点分布占比：
(1)高于等于-95dbm采样点分布占比＝高于等于-95dbm采样点数量/总采样点数量；
(2)[-100dbm，-95dbm)采样点分布占比＝[-100dbm，-95dbm)采样点数量/室分小区总采样点数量；
(3)[-105dbm，-100dbm)采样点分布占比＝[-105dbm，-100dbm)采样点数量/室分小区总采样点数量；
(4)[-110dbm，-105dbm)采样点分布占比＝[-110dbm，-105dbm)采样点数量/室分小区总采样点数量；
(5)[-115dbm，-110dbm)采样点分布占比＝[-115dbm，-110dbm)采样点数量/室分小区总采样点数量；
(6)小于-115dbm采样点分布占比＝小于-115dbm采样点数量/室分小区总采样点数量。
S303、利用采样点数量以及采样点分布占比对预设时间序列模型进行训练，以确定预设预测模型。
更具体地，预设时间序列模型可以为Prophet预测模型，Prophet预测模型本质上是一种可分解的加法回归模型，即按时序特征可将时序数据分解为非周期性变化的趋势项、天或周的季节周期项和节假日效应等。因此，Prophet预测模型可以灵活地对各时序特征的参数进行设置，这些参数值的大小分别表示各个特征对模型预测结果的贡献度。通过分析模型的训练结果，可以调节各特征的参数，以便进一步提升预测精确度。
S304、将信号指标参数分解为多个特征项以及误差项，特征项用于表征信号指标参数的性能特征，误差项用于表征信号指标参数的噪声特性。
可选地，特征项包括趋势项以及周期项。
更具体地，将信号指标参数St分解分解为三项：趋势项trendt、周期项(dailyt，weeklyt)和误差项ε，其中，t表示过去连续28的历史周期。
S305、根据特征项以及预设预测模型确定预测特征项。
更具体地，根据趋势项trendt、周期项(dailyt，weeklyt)以及Prophet预测模型，获得未来3天的趋势项trendt+3和周期项(dailyt+3，weeklyt+3)，其中，未来3天为预测时间节点。
S306、根据预测特征项以及误差项确定预测指标参数。
更具体地，根据未来3天的趋势项trendt+3和周期项(dailyt+3，weeklyt+3)和误差项ε相加，得到未来3天的目标室分小区的预测指标参数St+3，St+3＝trendt+3+dailyt+3+weeklyt+3+ε。
S307、根据信号指标参数以及特征项确定随机序列，并确定随机序列的标准差。
更具体地，根据信号指标参数St与趋势项trendt、周期项(dailyt，weeklyt)相减得到随机序列Rt，Rt＝St-trendt-dailyt-weeklyt，Rt呈现正态分布。
随机序列Rt的标准差为σ，
S308、根据预测指标参数以及标准差确定信号门限参数。
更具体地，将未来3天的目标室分小区的预测指标参数St+3和随机序列Rt的标准差相加，得到未来3天目标室分小区的信号门限参数d_threst+3，d_threst+3＝St+3+σ。
S309至S312与图3实施例中的步骤S201至S204实现方式类似，本实施例此处不再赘述。
在本实施例提供的方法中，通过获取目标室分小区中各个采样点的信号指标参数，根据规则计算各个指标区间范围内的采样点数量以及采样点分布占比，利用采样点数量以及采样点分布占比对预设时间序列模型进行预设预测模型训练，根据预设预测模型预测得到信号门限参数，获取预测时间节点内室分系统中各个室分小区的信号指标参数，将各个室分小区的信号指标参数与对应的信号门限参数进行对比后，及时发现室分小区故障问题。从而无需大量人力去现场测试定位，提高了室分小区故障定位准确率以及故障排查的效率，进而提升了用户体验。
图4为在上述各实施例提供的方法的基础上确定的故障室分小区示意图。如图4所示，采样点数量区间为[-110dbm，-105dbm)，目标室分小区为市政大楼_1小区，预设阈值为30分钟，未来3天目标室分小区的信号门限参数为313至434。从2020年10月14日晚上18点开始区间[-110dbm，-105dbm)的采样点数量存在突变情况，每日平均采样点数量从400跌落到200左右，时长达到33分钟，可以确定市政大楼_1小区为故障室分小区。
图5为本申请根据一示例性实施例示出的室分小区故障定位装置的结构示意图。如图5所示，本申请提供一种室分小区故障定位装置40，装置40包括：
获取模块41，用于在预测时间节点，获取室分系统中各个室分小区的信号强度测试报告，信号强度测试报告包括信号指标参数。
处理模块42，用于根据各个室分小区的信号指标参数以及对应的信号门限参数确定室分系统中的故障室分小区，其中，信号门限参数根据预设预测模型进行确定，预设预测模型的参数输入为对应小区在历史周期内采集的信号强度测试报告，历史周期包括预测时间节点之前的预设时长。
具体地，本实施例可以参见上述方法实施例，其原理和技术效果类似，不再赘述。
图6为本申请根据一示例性实施例示出的电子设备的硬件结构示意图。如图6所示，本实施例的电子设备50包括：处理器51以及存储器52；其中，
存储器52，用于存储处理器可执行指令的存储器；
处理器51，用于根据存储器存储的可执行指令，以实现上述实施例中的室分小区故障定位方法。具体可以参见前述方法实施例中的相关描述。
可选地，存储器52既可以是独立的，也可以跟处理器51集成在一起。
当存储器52独立设置时，该控制设备50还包括总线53，用于连接存储器52和处理器51。
本申请还提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机指令，计算机指令被处理器执行时用于实现上述的各种实施方式提供的方法。
其中，计算机可读存储介质可以是计算机存储介质，也可以是通信介质。通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。计算机存储介质可以是通用或专用计算机能够存取的任何可用介质。例如，计算机可读存储介质耦合至处理器，从而使处理器能够从该计算机可读存储介质读取信息，且可向该计算机可读存储介质写入信息。当然，计算机可读存储介质也可以是处理器的组成部分。处理器和计算机可读存储介质可以位于专用集成电路(Application Specific Integrated Circuits，ASIC)中。另外，该ASIC可以位于用户设备中。当然，处理器和计算机可读存储介质也可以作为分立组件存在于通信设备中。
上述计算机可读存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(Static Random-Access Memory，SRAM)，电可擦除可编程只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)，可编程只读存储器(Programmable read-only memory，PROM)，只读存储器(Read-OnlyMemory，ROM)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
本申请还提供一种计算机程序产品，该程序产品包括执行指令，该执行指令存储在计算机可读存储介质中。设备的至少一个处理器可以从计算机可读存储介质读取该执行指令，至少一个处理器执行该执行指令使得设备实施上述的各种实施方式提供的方法。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，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申请各实施例技术方案的范围。
Claims (8)
1.一种室分小区故障定位方法，其特征在于，包括：
在预测时间节点，获取室分系统中各个室分小区的信号强度测试报告，所述信号强度测试报告包括信号指标参数；
根据各个室分小区的所述信号指标参数以及对应的信号门限参数确定所述室分系统中的故障室分小区，其中，所述信号门限参数根据预设预测模型进行确定，所述预设预测模型的参数输入为对应小区在历史周期内采集的信号强度测试报告，所述历史周期包括所述预测时间节点之前的预设时长；
在所述根据各个室分小区的所述信号指标参数以及对应的信号门限参数确定所述室分系统中的故障室分小区之前，还包括：
获取所述历史周期内目标室分小区中各个采样点的信号指标参数；
将获取到的各个采样点的信号指标参数按照预设指标区间范围进行区间划分，以确定各个指标区间范围内的采样点数量以及采样点分布占比；
利用所述采样点数量以及所述采样点分布占比对预设时间序列模型进行训练，以确定所述预设预测模型；
其中，各个指标区间范围内的采样点数量确定方式如下：（1）低于-115dbm采样点数量；（2）低于-110dbm采样点数量；（3）低于-105dbm采样点数量；（4）低于-100dbm采样点数量；（5）低于-95dbm采样点数量；（6）总采样点数量。
2.根据权利要求1所述的室分小区故障定位方法，其特征在于，所述根据各个室分小区的所述信号指标参数以及对应的信号门限参数确定所述室分系统中的故障室分小区，包括：
若目标室分小区的目标信号指标参数大于目标信号门限参数，则确定所述目标室分小区为所述故障室分小区，其中，所述目标室分小区为室分系统中的任意小区。
3.根据权利要求2所述的室分小区故障定位方法，其特征在于，若所述目标室分小区的所述目标信号指标参数大于目标信号门限参数的次数或者时长大于预设阈值，则确定所述目标室分小区为所述故障室分小区。
4.根据权利要求1所述的室分小区故障定位方法，其特征在于，在所述利用所述采样点数量以及所述采样点分布占比对预设时间序列模型进行训练，以确定所述预设预测模型之后，还包括：
将所述信号指标参数分解为多个特征项以及误差项，所述特征项用于表征所述信号指标参数的性能特征，所述误差项用于表征信号指标参数的噪声特性；
根据所述特征项以及所述预设预测模型确定预测特征项；
根据所述预测特征项以及所述误差项确定预测指标参数；
根据所述信号指标参数以及所述特征项确定随机序列，并确定所述随机序列的标准差；
根据所述预测指标参数以及所述标准差确定所述信号门限参数。
5.根据权利要求4所述的室分小区故障定位方法，其特征在于，所述特征项包括趋势项以及周期项。
6.一种室分小区故障定位装置，其特征在于，所述装置包括：
获取模块，用于在预测时间节点，获取室分系统中各个室分小区的信号强度测试报告，所述信号强度测试报告包括信号指标参数；
处理模块，用于根据各个室分小区的所述信号指标参数以及对应的信号门限参数确定所述室分系统中的故障室分小区，其中，所述信号门限参数根据预设预测模型进行确定，所述预设预测模型的参数输入为对应小区在历史周期内采集的信号强度测试报告，所述历史周期包括所述预测时间节点之前的预设时长；
在所述根据各个室分小区的所述信号指标参数以及对应的信号门限参数确定所述室分系统中的故障室分小区之前，所述获取模块，还用于：
获取所述历史周期内目标室分小区中各个采样点的信号指标参数；
将获取到的各个采样点的信号指标参数按照预设指标区间范围进行区间划分，以确定各个指标区间范围内的采样点数量以及采样点分布占比；
利用所述采样点数量以及所述采样点分布占比对预设时间序列模型进行训练，以确定所述预设预测模型；
其中，各个指标区间范围内的采样点数量确定方式如下：（1）低于-115dbm采样点数量；（2）低于-110dbm采样点数量；（3）低于-105dbm采样点数量；（4）低于-100dbm采样点数量；（5）低于-95dbm采样点数量；（6）总采样点数量。
7.一种电子设备，其特征在于，包括：存储器，处理器；
存储器；用于存储所述处理器可执行指令的存储器；
处理器，用于根据所述存储器存储的可执行指令，实现如权利要求1至5中任一项所述的室分小区故障定位方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1至5任一项所述的室分小区故障定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011494064.3A CN112702194B (zh) | 2020-12-16 | 2020-12-16 | 室分小区故障定位方法、装置及电子设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011494064.3A CN112702194B (zh) | 2020-12-16 | 2020-12-16 | 室分小区故障定位方法、装置及电子设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112702194A CN112702194A (zh) | 2021-04-23 |
| CN112702194B true CN112702194B (zh) | 2023-04-07 |
Family
ID=75508714
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011494064.3A Active CN112702194B (zh) | 2020-12-16 | 2020-12-16 | 室分小区故障定位方法、装置及电子设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112702194B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113819575B (zh) * | 2021-08-18 | 2023-03-21 | 青岛海尔空调器有限总公司 | 用于空调的控制方法、装置和服务器 |
| CN113766444B (zh) * | 2021-09-23 | 2023-07-04 | 中国联合网络通信集团有限公司 | 故障定位方法、装置及设备 |
| CN114021077B (zh) * | 2021-10-09 | 2024-07-02 | 中国联合网络通信集团有限公司 | 室分天线的故障定位方法、装置、设备及可读存储介质 |
| CN114363946B (zh) * | 2021-12-24 | 2023-06-02 | 中国联合网络通信集团有限公司 | 室分小区网络质量监测方法、装置、设备及存储介质 |
| CN114845331B (zh) * | 2022-05-27 | 2024-09-24 | 中国联合网络通信集团有限公司 | 室分隐形故障定位方法、装置、设备及介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107679455A (zh) * | 2017-08-29 | 2018-02-09 | 平安科技（深圳）有限公司 | 目标跟踪装置、方法及计算机可读存储介质 |
| CN108245171A (zh) * | 2017-12-28 | 2018-07-06 | 东软集团股份有限公司 | 获取参数模型的方法、疲劳检测方法及装置、介质及设备 |
| CN109151866A (zh) * | 2018-11-27 | 2019-01-04 | 南京华苏科技有限公司 | 基于用户数据实现天线方位角纠偏的方法 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103856344B (zh) * | 2012-12-05 | 2017-09-15 | 中国移动通信集团北京有限公司 | 一种告警事件信息处理方法及装置 |
| US9612313B2 (en) * | 2013-02-25 | 2017-04-04 | Here Global B.V. | Supporting coverage area modeling |
| CN103648113B (zh) * | 2013-12-24 | 2017-04-12 | 英国Ranplan无线网络设计公司 | 一种室内无线网络故障自主检测和定位的方法 |
| CN103634810B (zh) * | 2013-12-24 | 2017-04-12 | 英国Ranplan无线网络设计公司 | 一种室内无线网络覆盖问题区域定位的方法 |
| CN106899931B (zh) * | 2015-12-18 | 2019-11-08 | 中兴通讯股份有限公司 | 一种大覆盖面积下的室内定位方法及系统 |
| CN111356147B (zh) * | 2018-12-05 | 2023-09-08 | 中国移动通信集团广西有限公司 | 一种室分小区故障定位方法及装置 |
| CN111629319B (zh) * | 2019-02-28 | 2022-05-31 | 中国移动通信有限公司研究院 | 一种位置预测方法及设备 |
| CN111310350A (zh) * | 2020-02-25 | 2020-06-19 | 苏州浪潮智能科技有限公司 | 一种基于Prophet模型的SSD寿命预测方法及系统 |
-
2020
- 2020-12-16 CN CN202011494064.3A patent/CN112702194B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107679455A (zh) * | 2017-08-29 | 2018-02-09 | 平安科技（深圳）有限公司 | 目标跟踪装置、方法及计算机可读存储介质 |
| CN108245171A (zh) * | 2017-12-28 | 2018-07-06 | 东软集团股份有限公司 | 获取参数模型的方法、疲劳检测方法及装置、介质及设备 |
| CN109151866A (zh) * | 2018-11-27 | 2019-01-04 | 南京华苏科技有限公司 | 基于用户数据实现天线方位角纠偏的方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112702194A (zh) | 2021-04-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112702194B (zh) | 室分小区故障定位方法、装置及电子设备 | |
| US11916380B2 (en) | Maintaining connectivity information for meters and transformers located in a power distribution network | |
| CN112101662A (zh) | 设备健康状况和生命周期检测方法、存储介质及电子设备 | |
| CN114168444B (zh) | 一种基于监控大数据的动态运维报修方法 | |
| CN111741427A (zh) | 业务投诉的处理方法、装置及设备 | |
| CN113784378A (zh) | 室分小区故障检测方法、装置、服务器及存储介质 | |
| CN115334560A (zh) | 基站异常的监测方法、装置、设备及计算机可读存储介质 | |
| CN115688014A (zh) | 一种继电保护设备的运行状态的确定方法、装置及设备 | |
| CN114363946B (zh) | 室分小区网络质量监测方法、装置、设备及存储介质 | |
| CN109525036B (zh) | 一种通信设备的市电供应状态的监控方法、装置和系统 | |
| CN111444107A (zh) | 软件评估方法及装置 | |
| CN111786815B (zh) | 一种室分小区的硬件隐性故障告警方法及系统 | |
| CN114691521A (zh) | 一种基于人工智能的软件测试平台 | |
| CN111800807A (zh) | 一种基站用户数量告警的方法及装置 | |
| CN113327174A (zh) | 一种配变负荷预测方法 | |
| CN112184072A (zh) | 机房设备管理方法及装置 | |
| CN117291576A (zh) | 一种基于工业场景数据趋势预测的方法、系统、计算机设备及存储介质 | |
| CN112929887B (zh) | 基于流量预测设置室分站的方法、装置和电子设备 | |
| US20240289209A1 (en) | Method and apparatus for detecting and explaining anomalies | |
| CN116910635A (zh) | 基于联邦学习和膨胀卷积的调压器故障诊断方法及装置 | |
| CN114297920A (zh) | 基于数据预测填充及全局动态模型的线损计算方法 | |
| Holmbacka et al. | Alarm prediction in LTE networks | |
| WO2019024987A1 (en) | CELL SERVICE INTERRUPT MITIGATION OPTIMIZATION IN A COMMUNICATIONS NETWORK | |
| CN112020087B (zh) | 隧道故障监控方法、装置及计算设备 | |
| CN114036711A (zh) | 一种网络质量劣化检测方法及系统 |
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 |