CN113839793A - 室分故障定位方法及装置 - Google Patents

Abstract

本发明实施例提供一种室分故障定位方法及装置。其中，方法包括：根据目标楼宇当前的测量报告样本数据，获取目标楼宇中各区域的故障关联指标的当前值；根据各区域的故障关联指标的当前值和预先确定的故障关联指标的基准值及门限区间，判断每一区域的室分覆盖是否存在故障及存在的故障的类型；其中，目标楼宇中的区域，是根据预先采集的预设时间段内目标楼宇的无线网络数据，对各条测量报告进行定位和聚类确定的；无线网络数据，至少包括测量报告样本数据；故障关联指标包括室分MR覆盖率、室分占用率、宏站占用率、室分平均RSRP和室分平均SINR。本发明实施例提供的室分故障定位方法及装置，能更主动及时地发现故障并进行更准确的定位。

Description

室分故障定位方法及装置

技术领域

本发明涉及通信技术领域，更具体地，涉及一种室分故障定位方法及装置。

背景技术

随着移动LTE深度覆盖的逐渐深入，室分站点已经成为吸收用户流量的主力军。室分站点的运行质量是整体网络运行质量的重要组成部分。现有室分站点在优化维护方面存在“分析监控难、故障定位效率低”的痛点。

目前，对于室分站点故障排查采用的主要手段为：用户投诉、性能指标的劣化、显性硬件告警、参数设置合理性排查以及现场问题摸排，而对于隐性故障则需要通过后端性能分析结合大量的前端测试进行经验性判断。在现有的排查手段中，性能指标的劣化、显性硬件告警、参数设置合理性排查未能有效及时地发现室分站点的故障问题，而现场问题排查则需要耗费大量的人力物力，以致使故障问题对网络运行质量和用户使用感知均影响较大。问题发现主要依赖于用户投诉、KPI和告警，问题发现滞后被动响应；故障点定位通过串行逐层排查，耗费大量的人力物力，无法及时做到具体位置精准定位；隐性故障识别主观性强，效率低、准确率低、成本高。

综上，现有室分故障定位方法存在不及时、精度低、效率低、故障识别准确率低及成本高等不足。

发明内容

本发明实施例提供一种室分故障定位方法及装置，用以解决或者至少部分地解决现有技术存在的难以及时发现故障并准确定位的缺陷。

第一方面，本发明实施例提供一种室分故障定位方法，包括：

根据目标楼宇当前的测量报告样本数据，获取所述目标楼宇中各区域的故障关联指标的当前值；

根据各所述区域的故障关联指标的当前值和预先确定的所述故障关联指标的基准值及门限区间，判断所述目标楼宇中每一所述区域的室分覆盖是否存在故障及存在的故障的类型；

其中，所述目标楼宇中的各区域，是根据预先采集的预设时间段内所述目标楼宇的无线网络数据，对各条测量报告进行定位和聚类确定的；所述无线网络数据，至少包括测量报告样本数据；所述故障关联指标包括室分MR覆盖率、室分占用率、宏站占用率、室分平均RSRP和室分平均SINR。

优选地，所述根据目标楼宇当前的测量报告样本数据，获取所述目标楼宇中各区域的故障关联指标的当前值之前，还包括：

获取所述预设时间段内所述目标楼宇的无线网络数据，并融合为各条关联后的测量报告，所述无线网络数据包括测量报告样本数据、XDR信令数据和最小化路测数据；

根据预设的定位方法，获取每一条所述关联后的测量报告对应的位置；

根据各条所述关联后的测量报告对应的位置进行分层聚类和分区域聚类，将所述目标楼宇的每一层划分成若干个区域。

优选地，所述根据各条所述关联后的测量报告对应的位置进行分层聚类和分区域聚类，将所述目标楼宇的每一层划分成若干个区域，与所述根据各所述区域的故障关联指标的当前值和预先确定的所述故障关联指标的基准值及门限区间，判断所述目标楼宇中每一所述区域的室分覆盖是否存在故障及存在的故障的类型之间，还包括：

对于每一所述区域，根据对应的位置在所述区域内的各条所述关联后的测量报告，获取所述区域的故障关联指标的基准值；

根据各区域的故障关联指标的基准值，确定所述故障关联指标的上边缘、上四分位数、中位数、下四分位数、下边缘和最小异常值；

根据所述故障关联指标的上边缘、上四分位数、中位数、下四分位数、下边缘和最小异常值，确定所述故障关联指标的各门限区间。

优选地，所述根据各所述区域的故障关联指标的当前值和预先确定的所述故障关联指标的基准值及门限区间，判断所述目标楼宇中每一所述区域的室分覆盖是否存在故障及存在的故障的类型的具体步骤包括：

对于每一所述区域，确定所述区域的故障关联指标的当前值落入的门限区间，并获取所述区域的故障关联指标的当前值落入的门限区间与所述区域的基准值落入的门限区间的对比结果；

根据所述区域的故障关联指标的当前值落入的门限区间及所述对比结果，确定所述区域是否故障及存在的故障的类型。

优选地，所述根据对应的位置在所述区域内的各条所述关联后的测量报告，获取所述区域的故障关联指标的基准值的具体步骤包括：

根据各区域内的各条所述关联后的测量报告进行训练和验证，获取循环神经网络模型；

将对应的位置在所述区域内的各条所述关联后的测量报告，输入所述循环神经网络模型，输出所述区域的故障关联指标的基准值。

优选地，所述根据目标楼宇当前的测量报告样本数据，获取所述目标楼宇中各区域的故障关联指标的当前值的具体步骤包括：

根据预设的定位方法，获取所述目标楼宇当前的测量报告样本数据中每一条所述测量报告对应的位置及所在的区域；

对于每一所述区域，将对应的位置在所述区域内的各条所述测量报告输入所述循环神经网络模型，输出所述区域的故障关联指标的当前值。

优选地，所述根据预设的定位方法，获取每一条所述关联后的测量报告对应的位置的具体步骤包括：

对于每一条所述关联后的测量报告，分别根据所述测量报告中的RSRP数据、所关联的最小化路测数据和所述关联的XDR信令数据，获取所述关联后的测量报告的定位结果；

对所述定位结果进行数据清洗和融合，获取所述关联后的测量报告对应的位置。

第二方面，本发明实施例提供一种室分故障定位装置，包括：

指标获取模块，用于根据目标楼宇当前的测量报告样本数据，获取所述目标楼宇中各区域的故障关联指标的当前值；

故障定位模块，用于根据各所述区域的故障关联指标的当前值和预先确定的所述故障关联指标的基准值及门限区间，判断所述目标楼宇中每一所述区域的室分覆盖是否存在故障及存在的故障的类型；

其中，所述目标楼宇中的各区域，是根据预先采集的预设时间段内所述目标楼宇的无线网络数据，对各条测量报告进行定位和聚类确定的；所述无线网络数据，至少包括测量报告样本数据；所述故障关联指标包括室分MR覆盖率、室分占用率、宏站占用率、室分平均RSRP和室分平均SINR。

第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，执行所述程序时实现如第一方面的各种可能的实现方式中任一种可能的实现方式供的室分故障定位方法的步骤。

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，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面的各种可能的实现方式中任一种可能的实现方式供的室分故障定位方法的步骤。

本发明实施例提供的室分故障定位方法及装置，通过获取目标楼宇中各区域的故障关联指标的当前值，根据各区域的故障关联指标的当前值和预先确定的故障关联指标的基准值及门限区间，判断目标楼宇中每一区域的室分覆盖是否存在故障及存在的故障的类型，能更主动及时地发现故障，能实现对故障位置更准确的定位。

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为根据本发明实施例提供的室分故障定位方法的流程示意图；

图2为根据本发明实施例提供的室分故障定位装置的结构示意图；

图3为根据本发明实施例提供的电子设备的实体结构示意图。

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。

为了克服现有技术的上述问题，本发明实施例提供一种室分故障定位方法及装置，其发明构思是，通过大数量级MR数据精准定位回填，基于综合位置信息聚类算法生成楼宇积木块，每一积木块对应楼宇中的一个区域，建立楼宇网络积木模型，关联分析锁定室分强关联指标，并引入盒须图建立基于楼宇积木块的分析方法，实现楼宇室分覆盖的故障先于客户发现，以及快速、准确定位和并行分析。

图1为根据本发明实施例提供的室分故障定位方法的流程示意图。如图1所示，该方法包括：步骤S101、根据目标楼宇当前的测量报告样本数据，获取目标楼宇中各区域的故障关联指标的当前值。

其中，目标楼宇中的各区域，是根据预先采集的预设时间段内目标楼宇的无线网络数据，对各条测量报告进行定位和聚类确定的；无线网络数据，至少包括测量报告样本数据；故障关联指标包括室分MR覆盖率、室分占用率、宏站占用率、室分平均RSRP和室分平均SINR。

具体地，获取目标楼宇当前的MRO数据，生成工作输入序列[X(0)，X(1)，…，X(N)]。

MRO(MR Original)表示测量报告样本数据，不包括事件触发的样本数据，

MRO数据中可以包括多条由用户设备(UE，User Equipment)上报的MR。MR(Measurement Report，测量报告)是指信息在业务信道上每480ms(信令信道上470ms)发送一次数据，这些数据可用于网络评估和优化。

需要说明的是，可以预先通过关联分析，将MR覆盖率(包括积木块宏站MR覆盖率、积木块室分MR覆盖率、楼宇MR覆盖率，主要是积木块室分MR覆盖率)、站点占用率(积木块宏站占用率、积木块室分占用率)、积木块室分平均RSRP(Reference Signal ReceivingPower，参考信号接收功率)和积木块室分平均SINR(信号与干扰加噪声比，Signal toInterference plus Noise Ratio)等室分故障的强关联指标，作为故障关联指标。

需要说明的是，本发明实施例采用积木块模型，将目标楼宇中每一楼层中的每一个区域，均作为一个积木块。因此，对于每一个区域，该区域的故障关联指标可以包括室分MR覆盖率、室分占用率、宏站占用率、室分平均RSRP和室分平均SINR。

可以理解的是，MR对应的位置信息为上报MR的UE的位置，对MR进行定位，就是获取MR对应的位置信息。对于某一个区域，室分小区对该区域的覆盖是确定的，因此，通过对预设时间段内上报MR的UE的位置进行聚类，可以反映不同区域的各服务小区及每一服务小区的邻区的分布情况，从而可以将目标楼宇的每一层划分成若干个积木块。

预设时间段内目标楼宇的无线网络数据，是在没有室分故障的情况下采集的。

对于每一区域，可以根据对应的位置在该区域内的MR，获得该区域的室分MR覆盖率、室分占用率、宏站占用率、室分平均RSRP和室分平均SINR的当前值。

步骤S102、根据各区域的故障关联指标的当前值和预先确定的故障关联指标的基准值及门限区间，判断目标楼宇中每一区域的室分覆盖是否存在故障及存在的故障的类型。

具体地，故障关联指标的基准值，可以根据预设时间段内目标楼宇的MRO数据确定，表示通常情况。

故障关联指标的门限区间，可以根据故障关联指标的基准值确定，

对应室分覆盖不同的好坏情况。

可以理解的是，对于任一区域，如果室分覆盖存在故障，故障关联指标的当前值会落入故障对应的门限区间，和/或相对于基准值表现出坏的趋势。因此，对于该区域，根据该区域的故障关联指标的当前值和基准值，以及故障关联指标的门限区间，可以判断出该区域是否存在故障。

通过上述判断过程，分析输出工作结果[Y(0),Y(1),…,Y(N)]，可以确定存在故障的区域，实现对室分故障的识别和定位。

由于该区域的故障关联指标可以包括室分MR覆盖率、室分占用率、宏站占用率、室分平均RSRP和室分平均SINR，结合上述各故障关联指标进行综合判断，若存在故障，还可以确定故障的类型。

本发明实施例可以先于客户发现问题：对于网络问题进行数据实时采集、存储、调用，实现问题的“并行”快速定位，有效缩短问题定位时长，先于客户发现问题，主动响应提前实施整改方案，保证室内网络质量。

本发明实施例通过获取目标楼宇中各区域的故障关联指标的当前值，根据各区域的故障关联指标的当前值和预先确定的故障关联指标的基准值及门限区间，判断目标楼宇中每一区域的室分覆盖是否存在故障及存在的故障的类型，能更主动及时地发现故障，能实现对故障位置更准确的定位。

基于上述各实施例的内容，根据目标楼宇当前的测量报告样本数据，获取目标楼宇中各区域的故障关联指标的当前值之前，还包括：获取预设时间段内目标楼宇的无线网络数据，并融合为各条关联后的测量报告；无线网络数据包括测量报告样本数据、XDR信令数据和最小化路测数据。

具体地，为了实现对区域的更准确划分，可以结合测量报告样本数据、XDR信令数据和最小化路测(Minimization of Drive-Test，MDT)数据，对每一MR进行更准确的定位。

XDR(X Data Recording)是由CDR(Call Data Recording呼叫数据记录)演变而来的概念。CDR是传统通信网中对通话过程中网络关键信息的记录。XDR是CDR概念的扩展，一般泛指对移动网络、承载网络中数据流量的关键信息记录，即流量日志，以用户会话为单位，一个会话形成一条XDR记录。XDR，可以包括CDR(Call Detailed Record)呼叫详细记录和TDR事务详细记录(Transaction Detailed Record)。

MRO数据采集可以通过网络管理系统自动对接完成，采集的信息包括开始时间、eNodeBID、CellID、MmeCode、MmeGroupID、MmeUeS1apID、LteScRSRP、LteNcRSRP、LteScRSRQ、LteNcRSRQ、LteScEarfcn、LteScPci、LteNcEarfcn、LteNcPci、GsmNcellCarrierRSSI、GsmNcellBcch、GsmNcellNcc、GsmNcellBcc、TdsPccpchRSCP、TdsNcellUarfcn、TdsCellParameterId、LteScBSR、LteScRTTD、LteScTadv、LteScAOA、LteScPHR、LteScRIP、LteScSinrUL等。

XDR信令数据采集可以通过网络管理系统自动对接完成，采集数据主要包含S1-MME、S1-U接口及用户面原始码流，主要信息包括：Length、City、Interface、xDR ID、RAT、IMSI、IMEI、MSISDN、Local Province、Local City、Owner Province、Owner City、RoamingType、Machine IP Add type、SGW/GGSN IP Add、eNB/SGSN、IP Add、PGW Add、SGW/GGSNPort、eNB/SGSN Port、PGW Port、eNB/SGSN GTP-TEID、SGW/GGSN GTP、TEID、TAC、Cell ID、APN http等。

MDT数据采集可以通过网络管理系统自动对接完成，采集的信息包括TimeStamp、MME Group ID、MME Code、IMSI、IMEI、Report CID、Longitude、Latitude、AltitudeDirection、Altitude、SC ID、SC PCI、SC Freq、SCRSRP、SCRSRQ、NCPCI、NCFreq、NCRSRP、NCRSRQ等。

对于上述MRO数据、XDR信令数据和MDT数据，可以基于关键字(例如小区ID)进行归一化处理，将每条MR数据与该条MR数据对应的XDR信令数据和MDT数据进行关联，并融合为一条数据，称为关联后的测量报告。

可以将各条关联后的测量报告插入到相应数据库中进行存储，还可以输出为可用于分析应用的格式。

根据预设的定位方法，获取每一条关联后的测量报告对应的位置。

具体地，可以采用通常的对MR进行定位的方法，对每一条关联后的测量报告进行定位，获取该条关联后的测量报告对应的位置。

根据各条关联后的测量报告对应的位置进行分层聚类和分区域聚类，将目标楼宇的每一层划分成若干个区域。

具体地，对各条关联后的测量报告对应的位置进行聚类可以分为两个步骤：首先进行分层聚类，确定每条关联后的测量报告对应的位置所在的楼层；对于每一楼层，对落在该楼层的MR位置信息进行分区域聚类，根据聚类结果将该楼层划分为互补重叠的若干个区域。

分层聚类的具体步骤可以包括：

定义一个最大值作为层次聚类的最大聚合点，转化为实际情况就是两栋楼宇之间的最小距离，如果小于这个最小距离，确定MR数据属于同一栋楼宇；

将各条关联后的测量报告对应的位置作为MR位置回填数据，基于MR位置回填数据，结合不同楼宇层高信息(例如住宅楼3米，商场4米)和楼宇的层数，通过层次聚类(Hierarchical clustering)算法对每层的数据进行聚类；

通过输入楼宇MR采样点(将每条关联后的测量报告作为一个采样点)数据(含高度信息)H＝(H1,H2,...Hn)、楼层高度F＝(3，5,...)和整栋楼宇层数R＝(3,6,9,...)，对每层MR采样点数据自下而上进行汇聚，输出每层MR采样点汇聚簇C＝(C1,C2,C3,...Cn)。

分区域聚类的具体步骤可以包括：

在获取整栋楼宇中每层的MR采样点汇聚簇信息后，利用DBSCAN聚类算法，通过分层输入样本集数据D＝(X1,X2,...Xm)和邻域参数(∈,MinPts)，其中样本集D代表每层样本点数据，∈代表聚类区域半径，MinPts代表聚类的个数，输出各层MR采样点的分区域聚类结果，确定每一楼层包括的各区域。

结合垂直面的层次聚类和水平面的DBSCAN聚类的计算结果，构建楼宇积木模型，生成楼宇积木块网络信息库，包含楼宇ID、楼宇积木块ID、服务小区ID、服务小区信息、电频特征、邻区信息等。

楼宇积木块网络信息库如表1所示。

表1楼宇积木块网络信息库

本发明实施例根据预设时间段内目标楼宇的无线网络数据，对各条测量报告进行定位和聚类，确定目标楼宇中的各区域，能实现目标楼宇中的区域的合理划分，从而能将室分故障定位到具体的区域，能实现更准确的室分故障定位。

基于上述各实施例的内容，根据各条关联后的测量报告对应的位置进行分层聚类和分区域聚类，将目标楼宇的每一层划分成若干个区域，与根据各区域的故障关联指标的当前值和预先确定的故障关联指标的基准值及门限区间，判断目标楼宇中每一区域的室分覆盖是否存在故障及存在的故障的类型之间，还包括：对于每一区域，根据对应的位置在区域内的各条关联后的测量报告，获取区域的故障关联指标的基准值。

具体地，将目标楼宇的每一层划分成若干个区域之后，可以根据对应的位置在每一区域内的各条关联后的测量报告，获取该区域的故障关联指标的基准值。

可以理解的是，预设时间段内目标楼宇的无线网络数据，是在没有室分故障的情况下采集的，因此，可以基于对应的位置在该区域内的各条关联后的测量报告，进行统计和分析，获得该区域的故障关联指标的基准值。

该区域的故障关联指标的基准值，为不存在故障的正常情况下，故障关联指标的值。

根据各区域的故障关联指标的基准值，确定故障关联指标的上边缘、上四分位数、中位数、下四分位数、下边缘和最小异常值。

具体地，为了合理确定故障定位门限，可以采用盒须图的分析方法，将各区域的故障关联指标从大到小排列，计算出上边缘、上四分位数、中位数、下四分位数、下边缘和最小异常值。

根据故障关联指标的上边缘、上四分位数、中位数、下四分位数、下边缘和最小异常值，确定故障关联指标的各门限区间。

具体地，可以将各门限区间用不同的颜色表示，通过盒须图确定五色谱指标门限区间：很好为绿色，上四分位数<X≤上边缘；较好为蓝色，中位数<X≤上四分位数；一般为黄色，中下四分位数<X≤中位数；较差为橙色，下边缘<X≤下四分位数；很差为红色，最小异常值≤X≤下边缘。

将各门限区间用不同的颜色表示，获得室分信号指标色谱。室分信号指标色谱如表2所示(表2中的数值为示例)。

表2室分信号指标色谱

本发明实施例通过获取各区域的故障关联指标的基准值，并根据各区域的故障关联指标的基准值，确定故障关联指标的各门限区间，从而能根据各区域的故障关联指标的基准值及故障关联指标的各门限区间，识别每一区域是否存在室分故障，能对更主动及时地发现故障，能实现对故障位置更准确的定位，具有效率高、成本低、准确性高的特点。

基于上述各实施例的内容，根据各区域的故障关联指标的当前值和预先确定的故障关联指标的基准值及门限区间，判断目标楼宇中每一区域的室分覆盖是否存在故障及存在的故障的类型的具体步骤包括：对于每一区域，确定区域的故障关联指标的当前值落入的门限区间，并获取区域的故障关联指标的当前值落入的门限区间与区域的基准值落入的门限区间的对比结果。

具体地，室分故障识别与定位准则包括两方面：a准则为当前值与基准值，基于指标色谱的比对定位；b准则为当前值对应指标色谱的绝对位置。

对于任一区域，a准则，即获取该区域的故障关联指标的当前值落入的门限区间与区域的基准值落入的门限区间的对比结果；b准则，即确定该区域的故障关联指标的当前值落入的门限区间。

对于a准则，主要判断是否存在色谱下移，即对于某一故障关联指标，判断基准值是否优于当前值，表现为按照表2中绿色、蓝色、黄色、橙色和红色的顺序，基准值落入的门限区间对应的颜色，在当前值落入的门限区间对应的颜色之前。

根据区域的故障关联指标的当前值落入的门限区间及对比结果，确定区域是否故障及存在的故障的类型。

具体地，故障的类型，可以包括宏站入侵、整栋楼宇故障、局部楼宇故障和室分外泄。

若同时满足以下条件：

A、楼宇或者积木块室分MR覆盖率较好，平均RSRP较好，宏站占用率色谱下移，室分占用率色谱同步下移动；

B、楼宇或积木块以上强关联指标均处于橙、红色谱；

则判断结果为存在宏站入侵，并可确定存在故障的各区域，说明宏站覆盖过强或者宏站与室分小区的参数及邻区配置异常。

若同时满足以下条件：

A、楼宇室分MR覆盖率色谱下移，或者平均SINR色谱下移，且楼宇所有积木块色谱均下移；

B、楼宇室分MR覆盖率或者平均SINR处于橙、红色谱；

则判断结果为整栋楼宇故障，说明整个楼宇室分存在隐性故障，核查该小区级别的参数和故障，如切换参数调整、小区主干故障，合路器故障等。

若同时满足以下条件：

A、楼宇部分积木块MR覆盖率色谱下移，或者平均SINR色谱下移；

B、楼宇部分积木块室分MR覆盖率或者平均SINR处于橙、红色谱；

则判断结果为局部楼宇故障，并可确定存在故障的各区域，说明楼宇局部区域无源器件故障或RRU存在故障，可以结合RRU粒度及楼层和区域判断某支路存在的问题。

若根据地理位置，在楼宇以外区域占用室分站点信号大于-105dbm，根据方位或检测到宏站小区的情况，结合地理位置和RRU粒度统计判断出室分外泄区域，定位出存在室分外泄的区域。

本发明实施例基于楼宇网络信息库，关联分析锁定室分强关联指标，并根据盒须图建立基于楼宇积木块科学合理的色谱分析法，依靠实际数据，不需要事先假定数据服从特定的分布形式，通过当前的网络信息与楼宇网络信息模型比对，能更主动及时地发现故障，能实现对故障位置更准确的定位。

基于上述各实施例的内容，根据对应的位置在区域内的各条关联后的测量报告，获取区域的故障关联指标的基准值的具体步骤包括：根据各区域内的各条关联后的测量报告进行训练和验证，获取循环神经网络模型。

具体地，可以利用机器学习进行楼宇积木块的故障关联指标的学习，建立楼宇积木网络信息模型，并通过7/3法则对模型准确性进行验证，即全部样本的70％为训练样本，30％的剩余样本作为验证数据样本，通过测试结果，对模型进行校正，当测试准确性达到90％时，该流程结束。

继承已建立的楼宇积木块网络信息库；

对于每一区域，选取该区域内的各条关联后的测量报告中70％的数据作为训练序列，用于后续的机器学习建立楼宇网络信息模型；

利用机器学习算法对楼宇网络信息进行模型建立，采用基于专门为处理序列的RNN(Recurrent Neural Network)循环神经网络算法的循环神经网络模型，每一个神经元除了当前的信息输入外，还有之前产生的记忆信息，保留序列的依赖性；

选取该区域内的各条关联后的测量报告中剩余30％的数据作为测试序列，作为测试数据，如果测试准确度小于90％，则对循环神经网络模型进行优化，通过训练序列对循环神经网络模型进行校正，直到测试序列的测试结果准确度大于90％；反之，则执行下一步骤。

将对应的位置在区域内的各条关联后的测量报告，输入循环神经网络模型，输出区域的故障关联指标的基准值。

具体地，对于该区域，可以选取测试结果准确度大于90％时的循环神经网络模型模型作为训练好的神经网络模型模型，将对应的位置在区域内的各条关联后的测量报告输入循环神经网络模型，输出该区域的故障关联指标的基准值。

根据各区域的故障关联指标的基准值，可以获得如表3所示的楼宇网络信息模型(表3中的数值为示例)。

表3楼宇网络信息模型

本发明实施例利用机器学习算法，对楼宇积木块信息库进行训练学习，构建楼宇积木网络信息模型，确定各故障关联指标的基准值，从而能通过当前的网络信息与楼宇网络信息模型比对，能更主动及时地发现故障，能实现对故障位置更准确的定位。

基于上述各实施例的内容，根据目标楼宇当前的测量报告样本数据，获取目标楼宇中各区域的故障关联指标的当前值的具体步骤包括：根据预设的定位方法，获取目标楼宇当前的测量报告样本数据中每一条测量报告对应的位置及所在的区域。

具体地，可以采用基于指纹库、基于MDT及基于XDR等MR定位方法，对标楼宇当前的测量报告样本数据中的每一条MR进行定位，获取该条MR对应的位置。

根据预先划分的区域，可以确定该条MR对应的位置所在的区域。

对于每一区域，将对应的位置在区域内的各条测量报告输入循环神经网络模型，输出区域的故障关联指标的当前值。

具体地，对于每一区域，可以将对应的位置在该区域内的各条测量报告输入训练好的循环神经网络模型，输出该区域的故障关联指标的当前值。

需要说明的是，可以根据该区域的故障关联指标的当前值的误差，不断修正循环神经网络模型，从而不断修正楼宇网络信息模型和室分信号指标色谱，能进一步提高室分故障定位的准确性。

本发明实施例根据目标楼宇当前的测量报告样本数据，获取目标楼宇中各区域的故障关联指标的当前值，获取的当前值更准确，从而能通过对比各区域的故障关联指标的当前值和楼宇网络信息模型，更主动及时地发现故障，能实现对故障位置更准确的定位。

基于上述各实施例的内容，根据预设的定位方法，获取每一条关联后的测量报告对应的位置的具体步骤包括：对于每一条关联后的测量报告，分别根据测量报告中的RSRP数据、所关联的最小化路测数据和关联的XDR信令数据，获取关联后的测量报告的定位结果。

具体地，由于每一条关联后的测量报告关联了MRO数据、XDR信令数据和MDT数据，因此，可以采用多种预设的定位方法，分别对该条关联后的测量报告进行定位。

上述多种预设的定位方法，可以包括基于指纹库、基于MDT及基于XDR等MR定位方法。

基于指纹库的MR定位方法可以包括以下步骤：

根据分析区域范围和栅格划分精度，将分析区域划分为的正方体栅格；正方体的边长可以根据实际情况确定，例如为5m*5m*5m；

基于高精度地图，利用基于3D射线追踪的传播模型仿真计算待分析区域每个栅格内对应基站的信号强度，并将这些包含各小区场强的栅格信息数字化，形成特征向量值；

基于DT/CQT获取的实际用户设备的经纬度数据，关联该用户设备的MR获取RSRP等信息，利用已知数据训练神经网络，通过机器学习，修正指纹库；

基于指纹库将欧氏距离最小的栅格位置作为该MR的位置。

基于MDT的MR定位方法可以包括以下步骤：

利用网络侧向特定范围(例如CELLID\TA等)用户终端下发测量配置；

在满足条件时触发终端测量过程，终端将包含经纬度和高度信息的测量报告数据上报给基站；

基站将收到的终端测量结果和基站自身的测量结果(MR)按要求上报给网管系统或MDT数据存储处理网元，根据上报的经纬度和高度信息回填MR数据，将其作为MR的位置分布。

基于XDR的MR定位方法，利用MR+OTT+(宽带+Wi-Fi+pRRU)产生的XDR数据进行定位，可以包括以下步骤：

根据S1-U接口用户APP上报的位置信息，以及调用常用地图API接口位置上报信息(位置信息由用户终端测量上报)，确定二维位置信息；

将OTT(Over The Top，越过运营商)平面位置信息与WLAN、宽带位置及pRRU(皮射频拉远单元，RRU表示射频拉远单元，Remote Radio Unit)进行融合学习，扩展为三维位置信息；

通过3D射线追踪、监督式WIFI指纹库、智能仿生自学习等技术，不断迭代，实现对模型校准；

基于S1-U接口的XDR业务信息与用户无线侧MR数据，以CELL+S1APID+时间戳为关键字进行控制面信令与MR关联，实现MR数据位置回填，作为该MR的位置分布。

对定位结果进行数据清洗和融合，获取关联后的测量报告对应的位置。

具体地，对定位结果可以进行清洗，去除干扰样本点，获得有效数据信息。

干扰样本包括如下几种：

位置回填的MR数据小区所在位置距离超过预设的第一范围(例如1公里)；

位置回填的MR数据前预设数量个(例如6个)的强邻小区所在位置距离超过预设的第二范围(例如2公里)；

位置回填的MR数据邻小区信号强度高于主服信号强度；

位置回填的MR数据邻小区信号强度低于预设的阈值(例如-120)；

位置信息、高度信息、主服小区信号强度、邻小区信号强度不完整。

清洗之后，可以将三种定位技术获取的定位结果进行融合，例如可以采用加权平均或平均等方式，获取融合结果，作为关联后的测量报告对应的位置。

本发明实施例具有数据全面丰富多样的特点，通过参考指纹库、MDT及MR+OTT+(宽带+Wi-Fi+pRRU)多种定位技术，获取大数量级携带位置信息的MR数据，能对MR进行更准确的定位，从而能实现目标楼宇中的区域的合理划分，通过将室分故障定位到具体的区域，能实现更准确的室分故障定位。

图2为根据本发明实施例提供的室分故障定位装置的结构示意图。基于上述各实施例的内容，如图2所示，该装置包括指标获取模块201和故障定位模块202，其中：

指标获取模块201，用于根据目标楼宇当前的测量报告样本数据，获取目标楼宇中各区域的故障关联指标的当前值；

故障定位模块202，用于根据各区域的故障关联指标的当前值和预先确定的故障关联指标的基准值及门限区间，判断目标楼宇中每一区域的室分覆盖是否存在故障及存在的故障的类型；

其中，目标楼宇中的各区域，是根据预先采集的预设时间段内目标楼宇的无线网络数据，对各条测量报告进行定位和聚类确定的；无线网络数据，至少包括测量报告样本数据；故障关联指标包括室分MR覆盖率、室分占用率、宏站占用率、室分平均RSRP和室分平均SINR。

具体地，指标获取模块201与故障定位模块202电连接。

对于每一区域，指标获取模块201可以根据对应的位置在该区域内的MR，获得该区域的室分MR覆盖率、室分占用率、宏站占用率、室分平均RSRP和室分平均SINR的当前值。

故障定位模块202根据该区域的故障关联指标的当前值和基准值，以及故障关联指标的门限区间，可以判断出该区域是否存在故障；结合上述各故障关联指标进行综合判断，若存在故障，还可以确定故障的类型。

本发明实施例提供的室分故障定位装置，用于执行本发明上述各实施例提供的室分故障定位方法，该室分故障定位装置包括的各模块实现相应功能的具体方法和流程详见上述室分故障定位方法的实施例，此处不再赘述。

该室分故障定位装置用于前述各实施例的室分故障定位方法。因此，在前述各实施例中的室分故障定位方法中的描述和定义，可以用于本发明实施例中各执行模块的理解。

本发明实施例通过获取目标楼宇中各区域的故障关联指标的当前值，根据各区域的故障关联指标的当前值和预先确定的故障关联指标的基准值及门限区间，判断目标楼宇中每一区域的室分覆盖是否存在故障及存在的故障的类型，能更主动及时地发现故障，能实现对故障位置更准确的定位。

图3为根据本发明实施例提供的电子设备的实体结构示意图。基于上述实施例的内容，如图3所示，该电子设备可以包括：处理器(processor)301、存储器(memory)302和总线303；其中，处理器301和存储器302通过总线303完成相互间的通信；处理器301用于调用存储在存储器302中并可在处理器301上运行的计算机程序指令，以执行上述各方法实施例供的室分故障定位方法，例如包括：根据目标楼宇当前的测量报告样本数据，获取目标楼宇中各区域的故障关联指标的当前值；根据各区域的故障关联指标的当前值和预先确定的故障关联指标的基准值及门限区间，判断目标楼宇中每一区域的室分覆盖是否存在故障及存在的故障的类型；其中，目标楼宇中的各区域，是根据预先采集的预设时间段内目标楼宇的无线网络数据，对各条测量报告进行定位和聚类确定的；无线网络数据，至少包括测量报告样本数据；故障关联指标包括室分MR覆盖率、室分占用率、宏站占用率、室分平均RSRP和室分平均SINR。

本发明另一实施例公开一种计算机程序产品，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，计算机程序包括程序指令，当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供的室分故障定位方法，例如包括：根据目标楼宇当前的测量报告样本数据，获取目标楼宇中各区域的故障关联指标的当前值；根据各区域的故障关联指标的当前值和预先确定的故障关联指标的基准值及门限区间，判断目标楼宇中每一区域的室分覆盖是否存在故障及存在的故障的类型；其中，目标楼宇中的各区域，是根据预先采集的预设时间段内目标楼宇的无线网络数据，对各条测量报告进行定位和聚类确定的；无线网络数据，至少包括测量报告样本数据；故障关联指标包括室分MR覆盖率、室分占用率、宏站占用率、室分平均RSRP和室分平均SINR。

此外，上述的存储器302中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明另一实施例提供一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行上述各方法实施例供的室分故障定位方法，例如包括：根据目标楼宇当前的测量报告样本数据，获取目标楼宇中各区域的故障关联指标的当前值；根据各区域的故障关联指标的当前值和预先确定的故障关联指标的基准值及门限区间，判断目标楼宇中每一区域的室分覆盖是否存在故障及存在的故障的类型；其中，目标楼宇中的各区域，是根据预先采集的预设时间段内目标楼宇的无线网络数据，对各条测量报告进行定位和聚类确定的；无线网络数据，至少包括测量报告样本数据；故障关联指标包括室分MR覆盖率、室分占用率、宏站占用率、室分平均RSRP和室分平均SINR。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，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。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)执行上述各个实施例或者实施例的某些部分的方法。

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 (10)

1.一种室分故障定位方法，其特征在于，包括：

根据目标楼宇当前的测量报告样本数据，获取所述目标楼宇中各区域的故障关联指标的当前值；

根据各所述区域的故障关联指标的当前值和预先确定的所述故障关联指标的基准值及门限区间，判断所述目标楼宇中每一所述区域的室分覆盖是否存在故障及存在的故障的类型；

其中，所述目标楼宇中的各区域，是根据预先采集的预设时间段内所述目标楼宇的无线网络数据，对各条测量报告进行定位和聚类确定的；所述无线网络数据，至少包括测量报告样本数据；所述故障关联指标包括室分MR覆盖率、室分占用率、宏站占用率、室分平均RSRP和室分平均SINR。

2.根据权利要求1所述的室分故障定位方法，其特征在于，所述根据目标楼宇当前的测量报告样本数据，获取所述目标楼宇中各区域的故障关联指标的当前值之前，还包括：

获取所述预设时间段内所述目标楼宇的无线网络数据，并融合为各条关联后的测量报告，所述无线网络数据包括测量报告样本数据、XDR信令数据和最小化路测数据；

根据预设的定位方法，获取每一条所述关联后的测量报告对应的位置；

根据各条所述关联后的测量报告对应的位置进行分层聚类和分区域聚类，将所述目标楼宇的每一层划分成若干个区域。

3.根据权利要求2所述的室分故障定位方法，其特征在于，所述根据各条所述关联后的测量报告对应的位置进行分层聚类和分区域聚类，将所述目标楼宇的每一层划分成若干个区域，与所述根据各所述区域的故障关联指标的当前值和预先确定的所述故障关联指标的基准值及门限区间，判断所述目标楼宇中每一所述区域的室分覆盖是否存在故障及存在的故障的类型之间，还包括：

对于每一所述区域，根据对应的位置在所述区域内的各条所述关联后的测量报告，获取所述区域的故障关联指标的基准值；

根据各区域的故障关联指标的基准值，确定所述故障关联指标的上边缘、上四分位数、中位数、下四分位数、下边缘和最小异常值；

根据所述故障关联指标的上边缘、上四分位数、中位数、下四分位数、下边缘和最小异常值，确定所述故障关联指标的各门限区间。

4.根据权利要求3所述的室分故障定位方法，其特征在于，所述根据各所述区域的故障关联指标的当前值和预先确定的所述故障关联指标的基准值及门限区间，判断所述目标楼宇中每一所述区域的室分覆盖是否存在故障及存在的故障的类型的具体步骤包括：

对于每一所述区域，确定所述区域的故障关联指标的当前值落入的门限区间，并获取所述区域的故障关联指标的当前值落入的门限区间与所述区域的基准值落入的门限区间的对比结果；

根据所述区域的故障关联指标的当前值落入的门限区间及所述对比结果，确定所述区域是否故障及存在的故障的类型。

5.根据权利要求3所述的室分故障定位方法，其特征在于，所述根据对应的位置在所述区域内的各条所述关联后的测量报告，获取所述区域的故障关联指标的基准值的具体步骤包括：

根据各区域内的各条所述关联后的测量报告进行训练和验证，获取循环神经网络模型；

将对应的位置在所述区域内的各条所述关联后的测量报告，输入所述循环神经网络模型，输出所述区域的故障关联指标的基准值。

6.根据权利要求5所述的室分故障定位方法，其特征在于，所述根据目标楼宇当前的测量报告样本数据，获取所述目标楼宇中各区域的故障关联指标的当前值的具体步骤包括：

根据预设的定位方法，获取所述目标楼宇当前的测量报告样本数据中每一条所述测量报告对应的位置及所在的区域；

对于每一所述区域，将对应的位置在所述区域内的各条所述测量报告输入所述循环神经网络模型，输出所述区域的故障关联指标的当前值。

7.根据权利要求2至6任一所述的室分故障定位方法，其特征在于，所述根据预设的定位方法，获取每一条所述关联后的测量报告对应的位置的具体步骤包括：

对于每一条所述关联后的测量报告，分别根据所述测量报告中的RSRP数据、所关联的最小化路测数据和所述关联的XDR信令数据，获取所述关联后的测量报告的定位结果；

对所述定位结果进行数据清洗和融合，获取所述关联后的测量报告对应的位置。

8.一种室分故障定位装置，其特征在于，包括：

指标获取模块，用于根据目标楼宇当前的测量报告样本数据，获取所述目标楼宇中各区域的故障关联指标的当前值；

故障定位模块，用于根据各所述区域的故障关联指标的当前值和预先确定的所述故障关联指标的基准值及门限区间，判断所述目标楼宇中每一所述区域的室分覆盖是否存在故障及存在的故障的类型；

其中，所述目标楼宇中的各区域，是根据预先采集的预设时间段内所述目标楼宇的无线网络数据，对各条测量报告进行定位和聚类确定的；所述无线网络数据，至少包括测量报告样本数据；所述故障关联指标包括室分MR覆盖率、室分占用率、宏站占用率、室分平均RSRP和室分平均SINR。

9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的室分故障定位方法的步骤。

10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述的室分故障定位方法的步骤。

Images