CN114845331A - 室分隐形故障定位方法、装置、设备及介质 - Google Patents

室分隐形故障定位方法、装置、设备及介质 Download PDF

Info

Publication number
CN114845331A
CN114845331A CN202210586326.1A CN202210586326A CN114845331A CN 114845331 A CN114845331 A CN 114845331A CN 202210586326 A CN202210586326 A CN 202210586326A CN 114845331 A CN114845331 A CN 114845331A
Authority
CN
China
Prior art keywords
floor
signal quality
interval
sampling data
resident
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
Application number
CN202210586326.1A
Other languages
English (en)
Other versions
CN114845331B (zh
Inventor
杨飞虎
刘贤松
欧大春
佘士钊
许国平
张硕伟
李珊珊
石旭荣
徐静静
赵南疆
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 United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group 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 United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202210586326.1A priority Critical patent/CN114845331B/zh
Publication of CN114845331A publication Critical patent/CN114845331A/zh
Application granted granted Critical
Publication of CN114845331B publication Critical patent/CN114845331B/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
    • 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
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
    • 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)
  • Telephonic Communication Services (AREA)

Abstract

本申请提供一种室分隐形故障定位方法、装置、设备及介质。其中方法包括获取室分小区的每个楼层的常驻用户在历史时段的信号质量，并统计获得楼层在历史时段下各信号质量区间的采样数据量；根据楼层在历史时段下各信号质量区间的采样数据量，利用Prophet时序算法，预测计算出楼层在目标时段下各信号质量区间的采样数据量门限；若超过预设数量个连续目标时段下，存在采样数据量超出对应的采样数据量门限的信号质量区间，则判定楼层存在隐形故障；反之，则判定楼层不存在隐形故障，提高了室分小区的隐性故障定位准确率以及故障排查的效率。

Description

室分隐形故障定位方法、装置、设备及介质
技术领域
本申请涉及通信领域，尤其设计一种室分隐形故障定位方法、装置、设备及介质。
背景技术
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。
传统室分性能监控手段局限于网管，只能检测小区显性故障，而隐性故障的排查主要通过室分巡检、网管警告和用户投诉，这些手段比较费时费力。
发明内容
本申请提供一种室分隐形故障定位方法、装置、设备及介质，用来解决目前排查隐形故障方法费时费力的问题。
一方面，本申请提供一种室分隐形故障定位方法，包括：
获取室分小区的每个楼层的常驻用户在历史时段的信号质量，并统计获得所述楼层在历史时段下各信号质量区间的采样数据量，所述信号质量区间的采样数据量为落在该信号质量区间内的该楼层常驻用户的信号质量数量；
根据所述楼层在所述历史时段下各信号质量区间的采样数据量，利用Prophet时序算法，预测计算出所述楼层在目标时段下各信号质量区间的采样数据量门限，所述目标时段位于所述历史时段之后；
若超过预设数量个连续目标时段下，存在采样数据量超出对应的采样数据量门限的信号质量区间，则判定所述楼层存在隐形故障；若超过预设数量个连续目标时段下，不存在采样数据量超出对应的采样数据量门限的信号质量区间，则判定所述楼层不存在隐形故障。
在一种实施例中，所述方法还包括：
确定所述室分小区的常驻用户；
通过对所述室分小区的每个楼层进行实测采集，形成所述楼层的覆盖情况数据，所述覆盖情况数据包括楼层的不同位置的信号质量；
针对所述室分小区的每个楼层，将所述室分小区的常驻用户的信号质量与所述楼层的覆盖情况数据进行匹配，将匹配成功的常驻用户确定为所述楼层的常驻用户。
在一种实施例中，所述针对所述室分小区的每个楼层，将所述室分小区的常驻用户的信号质量与所述楼层的覆盖情况数据进行匹配，将匹配的常驻用户确定为所述楼层的常驻用户之前，还包括：
针对所述室分小区的每个楼层，计算所述室分小区的常驻用户的信号质量与所述楼层的覆盖情况数据之间的欧式距离，并将欧式距离最小的常驻用户作为所述楼层的标杆用户；
根据每个楼层的标杆用户的信号质量，更新所述楼层的覆盖情况数据；
所述针对所述室分小区的每个楼层，将所述室分小区的常驻用户的信号质量与所述楼层的覆盖情况数据进行匹配，将匹配成功的常驻用户确定为所述楼层的常驻用户，包括：
针对所述室分小区的每个楼层，将所述室分小区的常驻用户的信号质量与更新后的所述楼层的覆盖情况数据进行匹配，将匹配成功的常驻用户确定为所述楼层的常驻用户。
在一种实施例中，所述统计获得所述楼层在历史时段下各信号质量区间的采样数据量，包括：
根据每个楼层的常驻用户在历史时段的信号质量，基于预定的多个门限，确定所述多个门限对应的采样数据量；其中，所述门限对应的采样数据量包括所述楼层的所有常驻用户的信号质量中，大于所述门限的信号质量的数量总和；
根据所述多个门限中的相邻门限，确定所述各信号质量区间，并基于每组相邻门限对应的采样数据量，通过求差获得对应的信号质量区间的采样数据量。
在一种实施例中，所述根据所述楼层在所述历史时段下各信号质量区间的采样数据量，利用Prophet时序算法，预测计算出所述楼层在目标时段下各信号质量区间的采样数据量门限，包括：
采用Prophet模型训练的时序数据分解方法，将所述楼层在所述历史时段下各信号质量区间的采样数据量分解为趋势项、周期项与误差项，采用Prophet模型预测所述目标时段下各信号质量区间的趋势预测值和周期预测值；
针对每个信号质量区间，将所述信号质量区间对应的趋势预测值、周期预测值和所述信号质量区间对应的误差项相加，得到所述楼层在所述目标时段下各信号质量区间的采样数据量；针对每个信号质量区间，将所述楼层在历史时段下所述信号质量区间的采样数据量与所述信号质量区间对应的趋势预测值以及周期预测值相减，得到随机序列，并计算所述随机序列的标准差；
将所述随机序列的标准差与所述楼层在所述目标时段下各信号质量区间的采样数据量相加，获得所述楼层在目标时段下各信号质量区间的采样数据量门限。
另一方面，本申请提供一种室分隐形故障定位装置，
获取模块，用于获取室分小区的每个楼层的常驻用户在历史时段的信号质量，并统计获得所述楼层在历史时段下各信号质量区间的采样数据量，所述信号质量区间的采样数据量为落在该信号质量区间内的该楼层常驻用户的信号质量数量；
预测模块，用于根据所述楼层在所述历史时段下各信号质量区间的采样数据量，利用Prophet时序算法，预测计算出所述楼层在目标时段下各信号质量区间的采样数据量门限，所述目标时段位于所述历史时段之后；
判定模块，用于若超过预设数量个连续目标时段下，存在采样数据量超出对应的采样数据量门限的信号质量区间，则判定所述楼层存在隐形故障；若超过预设数量个连续目标时段下，不存在采样数据量超出对应的采样数据量门限的信号质量区间，则判定所述楼层不存在隐形故障。
在一种实施例中，所述装置还包括：
处理模块，用于确定所述室分小区的常驻用户；
所述处理模块，还用于通过对所述室分小区的每个楼层进行实测采集，形成所述楼层的覆盖情况数据，所述覆盖情况数据包括楼层的不同位置的信号质量；
所述处理模块，还用于针对所述室分小区的每个楼层，将所述室分小区的常驻用户的信号质量与所述楼层的覆盖情况数据进行匹配，将匹配成功的常驻用户确定为所述楼层的常驻用户。
在一种实施例中，所述处理模块，还用于针对所述室分小区的每个楼层，计算所述室分小区的常驻用户的信号质量与所述楼层的覆盖情况数据之间的欧式距离，并将欧式距离最小的常驻用户作为所述楼层的标杆用户；
所述处理模块，还用于根据每个楼层的标杆用户的信号质量，更新所述楼层的覆盖情况数据；
所述处理模块，还用于针对所述室分小区的每个楼层，将所述室分小区的常驻用户的信号质量与更新后的所述楼层的覆盖情况数据进行匹配，将匹配成功的常驻用户确定为所述楼层的常驻用户。
在一种实施例中，所述处理模块，还用于根据每个楼层的常驻用户在历史时段的信号质量，基于预定的多个门限，确定所述多个门限对应的采样数据量；其中，所述门限对应的采样数据量包括所述楼层的所有常驻用户的信号质量中，大于所述门限的信号质量的数量总和；
所述处理模块，还用于根据所述多个门限中的相邻门限，确定所述各信号质量区间，并基于每组相邻门限对应的采样数据量，通过求差获得对应的信号质量区间的采样数据量。
在一种实施例中，所述预测模块，还用于采用Prophet模型训练的时序数据分解方法，将所述楼层在所述历史时段下各信号质量区间的采样数据量分解为趋势项、周期项与误差项，采用Prophet模型预测所述目标时段下各信号质量区间的趋势预测值和周期预测值；
所述预测模块，还用于针对每个信号质量区间，将所述信号质量区间对应的趋势预测值、周期预测值和所述信号质量区间对应的误差项相加，得到所述楼层在所述目标时段下各信号质量区间的采样数据量；针对每个信号质量区间，将所述楼层在历史时段下所述信号质量区间的采样数据量与所述信号质量区间对应的趋势预测值以及周期预测值相减，得到随机序列，并计算所述随机序列的标准差；
所述预测模块，还用于将所述随机序列的标准差与所述楼层在所述目标时段下各信号质量区间的采样数据量相加，获得所述楼层在目标时段下各信号质量区间的采样数据量门限。
又一方面，本申请提供一种电子设备，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如前所述的方法。
又一方面，本申请提供一种计算机可读存储介质，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前所述的方法。
本申请提供的室分隐形故障定位方法、装置、设备及介质中，通过获取室分小区的每个楼层的常驻用户在历史时段的信号质量，并统计获得所述楼层在历史时段下各信号质量区间的采样数据量，根据所述楼层在所述历史时段下各信号质量区间的采样数据量，利用Prophet时序算法，预测计算出所述楼层在目标时段下各信号质量区间的采样数据量门限。若超过预设数量个连续目标时段下，存在采样数据量超出对应的采样数据量门限的信号质量区间，则判定所述楼层存在隐形故障；若超过预设数量个连续目标时段下，不存在采样数据量超出对应的采样数据量门限的信号质量区间，则判定所述楼层不存在隐形故障。本申请通过判断常驻用户在超过预设数量个连续目标时段下，是否存在超出对应的采样数据量门限的信号质量区间，来确定室分小区的隐形故障位置，能够细化定位至故障所在的楼层，提高了室分小区的隐性故障定位准确率以及故障排查的效率。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。
图1为本申请实施例一提供的室分隐形故障定位方法的流程示意图；
图2为本申请实施例一提供的室分隐形故障定位方法的流程示意图；
图3为本申请实施例一提供的室分隐形故障定位方法的流程示意图；
图4为本申请实施例二提供的室分隐形故障定位装置的结构示意图；
图5为实施例二提供的室分隐形故障定位装置的结构示意图；
图6为本申请实施例中提供的一种电子设备的结构示意图。
通过上述附图，已示出本申请明确的实施例，后文中将有更详细的描述。这些附图和文字描述并不是为了通过任何方式限制本申请构思的范围，而是通过参考特定实施例为本领域技术人员说明本申请的概念。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。
需要说明的是，本申请中对于术语的简要说明，仅是为了方便理解接下来描述的实施方式，而不是意图限定本申请的实施方式。除非另有说明，这些术语应当按照其普通和通常的含义理解。
在室内环境(比如一栋楼宇)中，可能存在多个室分小区，每个室分小区可能覆盖多个楼层区域，所述室分小区是指由室分系统覆盖的小区，所述室分系统是指室内信号分布系统。室分小区下的终端UE在物理层测量得到所述室分小区信号强度之后，通过空口发送到室分基站侧，再由基站传输到基站子系统操作维护中心后连接到后台数据库。本申请实施例提供的隐形故障定位装置主要对每层楼常驻用户终端UE上报的信号强度原始数据进行解析，并根据解析出的电平信号强度预测出不同信号强度区间采样点数量的动态门限。通过判断常驻用户在超过预设数量个连续目标时段下，是否存在超出对应的采样数据量门限的信号质量区间，来确定室分小区的隐形故障位置，能够细化定位至故障所在的楼层，提高了室分小区的隐性故障定位准确率以及故障排查的效率。
下面以具体的实施例对本申请的技术方案以及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中不再赘述。在本申请的描述中，除非另有明确的规定和限定，各术语应在本领域内做广义理解。下面将结合附图，对本申请的实施例进行描述。
实施例一
图1为本申请实施例一提供的室分隐形故障定位方法的流程示意图，如图1所示，该方法包括：
步骤101、获取室分小区的每个楼层的常驻用户在历史时段的信号质量，并统计获得所述楼层在历史时段下各信号质量区间的采样数据量，所述信号质量区间的采样数据量为落在该信号质量区间内的该楼层常驻用户的信号质量数量；
步骤102、根据所述楼层在所述历史时段下各信号质量区间的采样数据量，利用Prophet时序算法，预测计算出所述楼层在目标时段下各信号质量区间的采样数据量门限，所述目标时段位于所述历史时段之后；
步骤103、若超过预设数量个连续目标时段下，存在采样数据量超出对应的采样数据量门限的信号质量区间，则判定所述楼层存在隐形故障；若超过预设数量个连续目标时段下，不存在采样数据量超出对应的采样数据量门限的信号质量区间，则判定所述楼层不存在隐形故障。
在实际应用中，室分小区下的各个楼层存在多个用户，所述统计获得楼层在历史时段下个信号质量区间的采样数据量，需要首先获取所述楼层每位常驻用户在历史时段下的信号质量。当获得所述楼层在所述历史时段下各信号质量区间的采样数据量之后，可以预测计算出所述楼层在目标时段下各信号质量区间的采样数据量门限，预测计算的方法可选为Prophet时序算法，所述目标时段在历史时段之后，可选为目标时段在历史时段之后的三天左右。若在目标时段的时刻下，所述楼层在各信号质量区间的实际采样数据量若在超过预设数量的个连续目标时段下，超出所述用Prophet时序算法预测计算出的对应的各信号质量区间的采样数据量，则会判定为所述楼层存在隐形故障，反之，则认为所述楼层不存在隐形故障。
在一种实施例中，在步骤101之前，可先确定出每个楼层对应的常驻用户，如图2所示，图2为本申请实施例一提供的室分隐形故障定位方法的流程示意图，该方法还包括：
步骤201、确定所述室分小区的常驻用户；
步骤202、通过对所述室分小区的每个楼层进行实测采集，形成所述楼层的覆盖情况数据，所述覆盖情况数据包括楼层的不同位置的信号质量；
步骤203、针对所述室分小区的每个楼层，将所述室分小区的常驻用户的信号质量与所述楼层的覆盖情况数据进行匹配，将匹配成功的常驻用户确定为所述楼层的常驻用户。
在实际生活中，室分小区下的用户大致分为两种，常驻用户和非常驻用户，例如外卖、维修人员等临时进入室分小区下的用户就不是室分小区下的常驻用户，所以判断室分隐形故障的位置应选择室分小区下常驻用户的信号质量进行分析。
可选的，可选用计算楼宇常驻用户占比来判断某个用户是否为室分小区下的常驻用户。其中，楼宇常驻用户占比反映用户在楼宇的室分小区下的采样点数量相比该用户在所有小区下的采样点数量的占比。首先可以通过室分小区的基站标识ID(eNode B-ID)和室分小区标识ID(Cell-ID)的组合ECI(ECI＝10进制的eNode B-ID*256+10进制的Cell-ID)作为唯一识别室分小区的标识，然后与小区工参表中的室分小区所在的楼宇信息对照，确定出室分小区所在的楼宇位置。
具体的，通过分析室分小区下的用户上报的测量报告原件(Mesurement ReportOriginal，简称MRO)中的“的urement R字段，确定用户在该楼宇室分小区下的驻留时长，用户MRO表的关键信息如表1所示。
表1
Figure BDA0003666086590000071
Figure BDA0003666086590000081
由于一栋楼宇内可能会存在多个室分小区覆盖的情况，所述多个室分小区分布在不同的楼层内，用户可能在不同的楼层活动，所以可以通过室分小区的ECI+扰码PCI来判断用户是否在楼宇内。利用用户MRO中的驻留小区的“的驻留小、主服务小区的“主服务小以及驻留时长来识别室分小区所对应楼宇的常驻用户。具体可参照如下规则：
条件1：任意选取一天中的两个时段，比如可以选取上午9点至11点或者下午14点至17点，然后统计用户级的MRO表中，ECI+PCI为对应楼宇中的室分小区采样点数量占比需要超过80％。其中，所述室分小区采样点的数量为所述用户的信号质量落在所述室分小区内的信号质量数量。
比如，某栋大楼里面有3个室分小区覆盖，ECI+PCI分别为1088001-487，1088002-488,1088003-489，通过采集单个用户(MSISDN＝1850876257)，在上午9点至11点这段时间的MRO表，分别统计在3个室分小区下的MRO采样点数量以及所有小区下的MRO采样点数量，判断楼宇常驻用户占比指标是否超过80％，所述单个常驻用户对应的楼宇常驻用户占比即：
楼宇常驻用户占比＝单用户在覆盖楼宇的所有室分小区ECI下的MRO采样点数量之和/单用户在所有小区下的MRO采样数量之和。
如果覆盖楼宇中的室分小区只有一个，则只统计该小区下的MRO采样数量。
条件2：一周内任意三天中的一个时段，比如上午9点至11点或者下午14点至17点，满足楼宇常驻用户占比大于80％。
比如，一位外卖骑手正好在选取的一个时段内，比如上午9点至11点或者下午14点至17点往所述楼宇送外卖，偶然采集到外卖骑手对应的楼宇常驻用户占比大于80％，满足条件1。但是很显然外卖骑手并不是所述楼宇的常驻用户，为了避免类似的偶然情况，楼宇的常驻用户需要同时满足在一周的任意三天内的一个时段楼宇常驻用户占比超过80％。若用户同时满足条件1和条件2，则判断所述用户为所述室分小区对应楼宇的常驻用户。
当判断出楼宇的常驻用户后，需要将所述的楼宇常驻用户进一步的确定到对应的楼层，确定出各个楼层对应的常驻用户，可选的方法可以对所述室分小区的每个楼层进行信号采集。具体的，通过测试人员前往指定楼宇的具体楼层开展扫楼测试，使用专用测试终端或者软件记录每层楼(具体楼层信息)的覆盖指纹库，所述楼层的覆盖指纹库的覆盖情况包括所述楼层的不同位置的信号质量。所述的楼层覆盖指纹库中包含的数据信息为表1中第5-21项的字段信息，并将所述楼层覆盖指纹库中包含的数据信息作为室分小区常驻用户的MRO关键参数信息。
通过上述的扫楼测试建立所述室分小区对应楼宇中每层楼的覆盖指纹库，将所述楼宇的常驻用户的信号质量与所述楼宇的每个楼层对应的楼层覆盖指纹库进行匹配，若所述楼宇的常驻用户的信号质量与某层楼的楼层覆盖指纹库匹配成功，那么所述常驻用户可以确定为所述楼层的常驻用户。其中，所述常驻用户的信号质量一般选取常驻用户MRO表中的服务小区及第1、第2第小、第n邻区的信号接收电平与信号接收质量两个关键参数信息来确定。可选的，匹配的方法是计算所述常驻用户与楼层覆盖指纹库之间的欧式距离，通过所述常驻用户上报的电平信号质量与楼层覆盖指纹库中的电平信号质量计算欧式距离，若计算出的欧式距离小于预设的值，则可判定所述常驻用户为所述楼层的常驻用户。
在一种示例中，在步骤203之前步骤202之后，可先确定出一位每个楼层的标杆用户，然后根据每个楼层的标杆用户进一步确定出每个楼层的常驻用户，如图3所示，图3为本申请实施例一提供的室分隐形故障定位方法的流程示意图，该方法还包括：
步骤301、针对所述室分小区的每个楼层，计算所述室分小区的常驻用户的信号质量与所述楼层的覆盖情况数据之间的欧式距离，并将欧式距离最小的常驻用户作为所述楼层的标杆用户；
步骤302、根据每个楼层的标杆用户的信号质量，更新所述楼层的覆盖情况数据；
所述针对所述室分小区的每个楼层，将所述室分小区的常驻用户的信号质量与所述楼层的覆盖情况数据进行匹配，将匹配成功的常驻用户确定为所述楼层的常驻用户，包括：
步骤303、针对所述室分小区的每个楼层，将所述室分小区的常驻用户的信号质量与更新后的所述楼层的覆盖情况数据进行匹配，将匹配成功的常驻用户确定为所述楼层的常驻用户。
将获取的所述室分小区对应的楼宇中常驻用户信号质量和每层楼的覆盖标准指纹库进行匹配，所述常驻用户的信号质量一般选取常驻用户MRO表中的服务小区及第1、第2第的、第n邻区的信号接收电平与信号接收质量两个关键参数信息来确定。然后计算每位常驻用户与每层楼的覆盖标准指纹库匹配结果的欧式距离，将每层楼匹配出的欧式距离最小的常驻用户作为所述楼层的标杆用户，并且确定出所述标杆用户所属的具体楼层位置。例如所述室分小区对应的楼宇由20层，所述楼宇中存在50户常驻用户，将所述50户的常驻用户的信号质量分别与所述20层每层的覆盖指纹库中的对应参数信息匹配，选出每层的标杆用户。
具体的，表3为示例的楼宇M不同用户上报的MRO电平信号质量情况：
Figure BDA0003666086590000101
表4为示例的所述楼宇楼层N的覆盖指纹库中的对应的电平信号质量情况：
Figure BDA0003666086590000102
将示例的楼宇M不同用户上报的MRO电平信号质量与楼宇楼层N的覆盖指纹库中的对应的电平信号质量中对应的参数做差，结果如表5所示：
Figure BDA0003666086590000111
将表5中每位用户的电平信号质量的所有参数的差值求平方和得到所述每位用户与所述楼层覆盖的指纹库匹配的欧式距离L，结果如表6所示：
用户 距离匹配结果 rsrp rsrq rsrp+rsrq
用户1 L1 6 2 8
用户2 L2 1 1 2
用户3 L3 21 3 24
用户4 L4 126 9 135
利用欧式距离满足最短距离原则来选择楼层的标杆用户，并将标杆用户对应到归属楼层N，如表5所示，通过多个用户上报的MRO电平与楼层N覆盖指纹库数据进行关系运算，最终得出用户2与楼层N的覆盖指纹库匹配得到的距离最短，因此用户2被选为楼层N的标杆用户。
用户2作为标杆用户后，作为该楼层的指定采集用户，在满足工作日规定时间范围内，例如上午9点至11点或者下午14点至17点，实时采集MRO测量结果到对应楼层覆盖标准指纹库中，丰富并完善对应楼层的覆盖标准指纹库，在楼层不同位置生成多个覆盖指纹库，提升室分常驻用户的楼层识别准确度。
将室分小区对应的楼宇中的常驻用户的MRO电平与每层楼标杆用户丰富完善的覆盖标准指纹库进行匹配，利用欧式距离满足最短距离原则确定出所述常驻用户的归属楼层位置信息。
示例的每层楼标杆用户丰富完善的覆盖标准指纹库数据如表7所示：
Figure BDA0003666086590000112
Figure BDA0003666086590000121
示例的一位常驻用户上报的MRO电平信息如表8所示：
Figure BDA0003666086590000122
将示例的用户n上报的MRO电平信号质量与每层楼标杆用户丰富完善的覆盖标准指纹库数据中对应的电平信号质量中对应的参数做差，结果如表9所示：
Figure BDA0003666086590000123
将表9中用户n的电平信号质量的所有参数的差值求平方和得到用户n与每层楼标杆用户丰富完善的覆盖标准指纹库匹配的欧式距离L，结果如表10所示：
楼层 距离匹配结果 rsrp rsrq rsrp+rsrq
楼层1 L1 6 2 8
楼层2 L2 209 26 235
楼层3 L3 844 36 880
楼层4 L4 2083 77 2160
根据表10中的信息，可确认出用户n所属的楼层为楼层1，并以上述的方法依次确认出每位常驻用户所在的楼层。
在一种示例中，当确认出所述的每位常驻用户的所述楼层后，获取所述的每位常驻用户的UE终端物理层上报的MRO测量结果，对每一层楼的常驻用户MRO进行聚类，确认出每层楼的常驻用户数量。之后，需要进一步的统计各个楼层在历史时段下各个信号质量区间的采样点数量，包括：
根据每个楼层的常驻用户在历史时段的信号质量，基于预定的多个门限，确定所述多个门限对应的采样数据量；其中，所述门限对应的采样数据量包括所述楼层的所有常驻用户的信号质量中，大于所述门限的信号质量的数量总和；
根据所述多个门限中的相邻门限，确定所述各信号质量区间，并基于每组相邻门限对应的采样数据量，通过求差获得对应的信号质量区间的采样数据量。
具体的，想要统计各个楼层在历史时段下各个信号质量区间的采样点数量需要首先将所述常驻用户上报的信号质量测量结果的原始数据进行解析，形成所述常驻用户在不同时刻下信号质量的参数信息表。在室分小区下的终端UE在物理层测量得到小区信号强度之后，通过空口发送到室分基站侧，再由基站传输到基站子系统操作维护中心后连接到后台数据库，室分小区对每层楼常驻用户终端UE上报的信号强度原始数据进行解析。
比如，常驻用户按照每10秒的周期将信号强度原始数据信息上报给基站，解析出信息包括：参考信号接收电平RSRP、参考信号接收质量RSRQ、对应频点、扰码PCI以及该用户的IMSI和手机号码。
可选的，根据常驻用户的参考信号接收电平这项指标作为采样指标，根据解析出的参考信号接收电平的变化，设定多个电平门限，然后根据所述多个门限中的相邻门限，确定所述各信号质量区间，作为多个不同的电平值范围区间，并统计所述常驻用户在规定时间内容的不同电平值范围的采样点数量。完成该楼层每位常驻用户的不同覆盖电平范围采样点统计，再对该层楼的所有常驻用户的不同覆盖电平范围采样点进行求和，生成每层楼所有常驻用户的覆盖标准格式化指标。
例如，多个电平门限可设定为：-115dbm、-110dbm、-105dbm、-100dbm与-95dbm，所以所述楼层m所有常驻用户的覆盖标准格式化指标可选为：
①楼层m室分覆盖大于-115dbm采样点数量；
②楼层m室分覆盖大于-110dbm采样点数量；
③楼层m室分覆盖大于-105dbm采样点数量；
④楼层m室分覆盖大于-100dbm采样点数量；
⑤楼层m室分覆盖大于-95dbm采样点数量；
⑥楼层m室分覆盖总采样点数量。
根据生成的六项标准化格式指标，计算出六个不同电平值的区间采样点数量，每个区间采样点数量的具体计算步骤如下：
①楼层m覆盖高于-95dbm采样点数量＝楼层m室分覆盖大于-95dbm采样点数量；
②楼层m覆盖[-95dbm，-100dbm)采样点数量＝楼层m室分覆盖大于-100dbm采样点数量-楼层m室分覆盖大于-95dbm采样点数量；
③楼层m覆盖[-100dbm，-105dbm)采样点数量＝楼层m室分覆盖大于-105dbm采样点数量-楼层m室分覆盖大于-100dbm采样点数量；
④楼层m覆盖[-105dbm，-110dbm)采样点数量＝楼层m室分覆盖大于-110dbm采样点数量-楼层m室分覆盖大于-105dbm采样点数量；
⑤楼层m覆盖[-110dbm，-115dbm)采样点数量＝楼层m室分覆盖大于-115dbm采样点数量-楼层m室分覆盖大于-110dbm采样点数量；
⑥楼层m覆盖小于等于-115dbm采样点数量＝楼层m室分覆盖总采样点数量-楼层m室分覆盖大于-115dbm采样点数量。
在一种示例中，当获得楼层在各个信号质量区间的采样点数量后，可根据所述楼层在所述历史时段下各信号质量区间的采样数据量，利用Prophet时序算法，预测计算出所述楼层在目标时段下各信号质量区间的采样数据量门限，包括：
采用Prophet模型训练的时序数据分解方法，将所述楼层在所述历史时段下各信号质量区间的采样数据量分解为趋势项、周期项与误差项，采用Prophet模型预测所述目标时段下各信号质量区间的趋势预测值和周期预测值；
针对每个信号质量区间，将所述信号质量区间对应的趋势预测值、周期预测值和所述信号质量区间对应的误差项相加，得到所述楼层在所述目标时段下各信号质量区间的采样数据量；针对每个信号质量区间，将所述楼层在历史时段下所述信号质量区间的采样数据量与所述信号质量区间对应的趋势预测值以及周期预测值相减，得到随机序列，并计算所述随机序列的标准差；
将所述随机序列的标准差与所述楼层在所述目标时段下各信号质量区间的采样数据量相加，获得所述楼层在目标时段下各信号质量区间的采样数据量门限。
具体的，通过Prophet训练模型的时序分解方法，将不同楼层下所有常驻用户MRO不同信号强度区间采样点数量分解为三项：趋势项、周期项和误差项，针对趋势、周期特征分量，建立Prophet模型进行预测。
首先采用Prophet模型训练的时序数据分解方法，将所述楼层在所述历史时段下各信号质量区间的采样数据量分解为趋势项、周期项与误差项。其中，所述楼层在所述历史时段下各信号质量区间的采样数据量记为St，所述趋势项记为trendt，所述周期项记为(dailyt,weeklyt),所述误差项记为ε。然后采用Prophet模型预测所述目标时段下各信号质量区间的趋势预测值和周期预测值，所述的目标时段在所述历史时段之后，可选择所述目标时段在所述历史时段之后的三天。其中所述趋势预测值可记为trendt+3，所述周期预测值记为(dailyt+3,weeklyt+3)。
针对每个信号质量区间，将所述信号质量区间对应的趋势预测值、周期预测值和所述信号质量区间对应的误差项相加，得到所述楼层在所述目标时段下各信号质量区间的采样数据量。所述楼层在所述目标时段下各信号质量区间的采样数据量记为St+3，楼层在所述目标时段下各信号质量区间的采样数据量的计算公式为：
St+3＝trendt+3+dailyt+3+weeklyt+3+ε
针对每个信号质量区间，将所述楼层在历史时段下所述信号质量区间的采样数据量与所述信号质量区间对应的趋势预测值以及周期预测值相减，得到随机序列。所述随机序列记为Rt，所述随机序列的计算公式为：
Rt＝St-trendt-dailyt-weeklyt
所述每个信号质量区间对应的随机序列的标准差反应了实际的信号质量区间的采样数据量与所述信号质量区间的采样数据量预测值之间的离散程度。所述每个信号质量区间对应的随机序列的标准差记为σ，所述标准差的计算公式为：
Figure BDA0003666086590000151
最后将所述随机序列的标准差σ与所述楼层在所述目标时段下各信号质量区间的采样数据量St+3相加，获得所述楼层在目标时段下各信号质量区间的采样数据量门限。
若采用Prophet模型对用户MRO的原始数据分析的过程中，若发现数据中存在格式的不一致性、空缺值和无用信息等噪声数据，这些噪声数据将会不利于模型的训练，需要对原始数据进行预处理。比如，原始数据中存在空缺值，如楼层m覆盖低于-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KPI指标数据。经过一系列对原始数据的分析与处理，得到适合模型训练的标准、连续的数据集。
所述Prophet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。本申请使用的Prophet算法的部分参数说明如下表11所示：
表11
Figure BDA0003666086590000152
Figure BDA0003666086590000161
将楼层所有常驻用户的MRO不同信号质量区间的实际采样点数量与所述Prophet模型预测出来的动态门限进行对比。举例来说，基于前述方法得到连续三天中，每天都存在某楼层的至少一个质量区间的实际采样点数量连续超过当日对应的动态门限时，说明室分小区对应楼层存在隐性故障，需要安排代维人员现场排查问题，反之，说明该室分小区对应楼层的信号正常。
本实施例通过每层楼确认的标杆用户丰富完善对应楼层覆盖的指纹库信息，并确认每层楼的常驻用户，根据楼层的常驻用户在历史时段下各信号质量区间的采样数据量，利用Prophet时序算法，预测计算出所述楼层在目标时段下各信号质量区间的采样数据量门限。将楼层所有常驻用户的电平信号在不同信号质量区间的实际采样点数量与所述Prophet模型预测出来的动态门限进行对比。判断常驻用户在超过预设数量个连续目标时段下，是否存在超出对应的采样数据量门限的信号质量区间，来确定室分小区的隐形故障位置，节省了以往需要对整栋楼宇测试才能确认的故障位置，能够细化定位至故障所在的楼层，极大的提高了室分小区的隐性故障定位准确率以及故障排查的效率。
实施例二
图4为本申请实施例二提供的室分隐形故障定位装置的结构示意图，如图4所示，该装置包括：
获取模块51，用于获取室分小区的每个楼层的常驻用户在历史时段的信号质量，并统计获得所述楼层在历史时段下各信号质量区间的采样数据量，所述信号质量区间的采样数据量为落在该信号质量区间内的该楼层常驻用户的信号质量数量；
预测模块52，用于根据所述楼层在所述历史时段下各信号质量区间的采样数据量，利用Prophet时序算法，预测计算出所述楼层在目标时段下各信号质量区间的采样数据量门限，所述目标时段位于所述历史时段之后；
判定模块53，用于若超过预设数量个连续目标时段下，存在采样数据量超出对应的采样数据量门限的信号质量区间，则判定所述楼层存在隐形故障；若超过预设数量个连续目标时段下，不存在采样数据量超出对应的采样数据量门限的信号质量区间，则判定所述楼层不存在隐形故障。
在实际应用中，室分小区下的各个楼层存在多个用户，所述统计获得楼层在历史时段下个信号质量区间的采样数据量，获取模块51需要首先获取所述楼层每位常驻用户在历史时段下的信号质量。当获得所述楼层在所述历史时段下各信号质量区间的采样数据量之后，预测模块52可以预测计算出所述楼层在目标时段下各信号质量区间的采样数据量门限，预测计算的方法可选为Prophet时序算法，所述目标时段在历史时段之后，可选为目标时段在历史时段之后的三天左右。若在目标时段的时刻下，所述楼层在各信号质量区间的实际采样数据量若在超过预设数量的各个连续目标时段下，超出所述用Prophet时序算法预测计算出的对应的各信号质量区间的采样数据量，判定模块53则会判定为所述楼层存在隐形故障，反之，判定模块53则认为所述楼层不存在隐形故障。
在一种实施例中，如图5所示，图5为实施例二提供的室分隐形故障定位装置的结构示意图，该装置还包括：
处理模块61，用于确定所述室分小区的常驻用户；
处理模块61，还用于通过对所述室分小区的每个楼层进行实测采集，形成所述楼层的覆盖情况数据，所述覆盖情况数据包括楼层的不同位置的信号质量；
处理模块61，还用于针对所述室分小区的每个楼层，将所述室分小区的常驻用户的信号质量与所述楼层的覆盖情况数据进行匹配，将匹配成功的常驻用户确定为所述楼层的常驻用户。
在实际生活中，室分小区下的用户大致分为两种，常驻用户和非常驻用户，例如外卖、维修人员等临时进入室分小区下的用户就不是室分小区下的常驻用户，所以判断室分隐形故障的位置应选择室分小区下常驻用户的信号质量进行分析。
可选的，处理模块61可选用计算楼宇常驻用户占比来判断室分小区下的常驻用户。首先可以通过室分小区的基站标识ID(eNode B-ID)和室分小区标识ID(Cell-ID)的组合ECI(ECI＝10进制的eNode B-ID*256+10进制的Cell-ID)作为唯一识别室分小区的标识，然后与小区工参表中的室分小区覆盖对应的楼宇信息对照，确定出室分小区所覆盖的楼宇位置。
具体的，通过分析室分小区下的用户上报的MRO中的“slicetime”字段，确定用户在该楼宇室分小区下的驻留时长。
由于一栋楼宇内的会存在多个室分小区覆盖的情况，并且用户可能在不同的楼层活动，所以可以通过室分小区的ECI+扰码PCI来判断用户在楼宇内。利用用户MRO中的驻留小区的“ECI”、主服务小区的“PCI”以及所述“slicetime”字段来识别室分小区所对应楼宇的常驻用户。
当处理模块61判断出楼宇的常驻用户后，需要将所述的楼宇常驻用户进一步的确定到对应的楼层，确定出各个楼层对应的常驻用户，可选的方法可以对所述室分小区的每个楼层进行信号采集。具体的，通过测试人员前往指定楼宇的具体楼层开展扫楼测试，使用专用测试终端或者软件记录每层楼(具体楼层信息)遍历轨迹的覆盖指纹库，所述楼层的覆盖指纹库的覆盖情况包括所述楼层的不同位置的信号质量。所述的楼层覆盖指纹库中包含的数据信息为表1中第5-21项的字段信息，并将所述楼层覆盖指纹库中包含的数据信息作为室分小区常驻用户的MRO关键参数信息。
通过上述的扫楼测试建立所述室分小区对应楼宇中每层楼的覆盖指纹库，处理模块61将所述楼宇的常驻用户的信号质量与所述楼宇的每个楼层对应的楼层覆盖指纹库进行匹配，若所述楼宇的常驻用户的信号质量与某层楼的楼层覆盖指纹库匹配成功，那么所述常驻用户可以确定为所述楼层的常驻用户。其中，所述常驻用户的信号质量一般选取常驻用户MRO表中的服务小区及第1、第2第的、第n邻区的信号接收电平与信号接收质量两个关键参数信息来确定。匹配的方法是计算所述常驻用户与楼层覆盖指纹库之间的欧式距离，通过所述常驻用户上报的电平信号质量与楼层覆盖指纹库中的电平信号质量计算欧式距离，若计算吃的欧式距离小于预设的值，则处理模块61可判定所述常驻用户为所述楼层的常驻用户。
在一种示例中，处理模块61可先确定出一位每个楼层的标杆用户，然后根据每个楼层的标杆用户进一步确定出每个楼层的常驻用户。
处理模块61，还用于针对所述室分小区的每个楼层，计算所述室分小区的常驻用户的信号质量与所述楼层的覆盖情况数据之间的欧式距离，并将欧式距离最小的常驻用户作为所述楼层的标杆用户；
处理模块61，还用于根据每个楼层的标杆用户的信号质量，更新所述楼层的覆盖情况数据；
处理模块61，还用于针对所述室分小区的每个楼层，将所述室分小区的常驻用户的信号质量与更新后的所述楼层的覆盖情况数据进行匹配，将匹配成功的常驻用户确定为所述楼层的常驻用户。
处理模块61将获取的所述室分小区对应的楼宇中常驻用户信号质量和每层楼的覆盖标准指纹库进行匹配，所述常驻用户的信号质量一般选取常驻用户MRO表中的服务小区及第1、第2第的、第n邻区的信号接收电平与信号接收质量两个关键参数信息来确定。然后计算每位常驻用户与每层楼的覆盖标准指纹库匹配结果的欧式距离，将每层楼匹配出的欧式距离最小的常驻用户作为所述楼层的标杆用户，并且确定出所述标杆用户所属的具体楼层位置。例如所述室分小区对应的楼宇由20层，所述楼宇中存在50户常驻用户，将所述50户的常驻用户的信号质量分别与所述20层每层的覆盖指纹库中的对应参数信息匹配，利用欧式距离满足最短距离原则来选择楼层的标杆用户，并将标杆用户对应到归属楼层。所述标杆用户，作为该楼层的指定采集用户，在满足工作日规定时间范围内，例如上午9点至11点或者下午14点至17点，实时采集MRO测量结果到对应楼层覆盖标准指纹库中，丰富并完善对应楼层的覆盖标准指纹库，在楼层不同位置生成多个覆盖指纹库，提升室分常驻用户的楼层识别准确度。
将室分小区对应的楼宇中的常驻用户的MRO电平与每层楼标杆用户丰富完善的覆盖标准指纹库进行匹配，处理模块61利用欧式距离满足最短距离原则确定出所述常驻用户的归属楼层位置信息。
在一种示例中，当处理模块61确认出所述的每位常驻用户的所述楼层后，获取所述的每位常驻用户的UE终端物理层上报的MRO测量结果，处理模块61对每一层楼的常驻用户MRO进行聚类，确认出每层楼的常驻用户数量。之后，处理模块61需要进一步的统计各个楼层在历史时段下各个信号质量区间的采样点数量。
处理模块61，还用于根据每个楼层的常驻用户在历史时段的信号质量，基于预定的多个门限，确定所述多个门限对应的采样数据量；其中，所述门限对应的采样数据量包括所述楼层的所有常驻用户的信号质量中，大于所述门限的信号质量的数量总和；
处理模块61，还用于根据所述多个门限中的相邻门限，确定所述各信号质量区间，并基于每组相邻门限对应的采样数据量，通过求差获得对应的信号质量区间的采样数据量。
具体的，处理模块61想要统计各个楼层在历史时段下各个信号质量区间的采样点数量需要首先将所述常驻用户上报的信号质量测量结果的原始数据进行解析，形成所述常驻用户在不同时刻下信号质量的参数信息表。在室分小区下的终端UE在物理层测量得到小区信号强度之后，通过空口发送到室分基站侧，再由基站传输到基站子系统操作维护中心后连接到后台数据库，室分小区对每层楼常驻用户终端UE上报的信号强度原始数据进行解析。
比如，常驻用户按照每10秒的周期将信号强度原始数据信息上报给基站，解析出信息包括：参考信号接收电平RSRP、参考信号接收质量RSRQ、对应频点、扰码PCI以及该用户的IMSI和手机号码。
可选的，根据常驻用户的参考信号接收电平这项指标作为采样指标，根据解析出的参考信号接收电平的变化，设定多个电平门限，然后根据所述多个门限中的相邻门限，确定所述各信号质量区间，作为多个不同的电平值范围区间，并统计所述常驻用户在规定时间内容的不同电平值范围的采样点数量。完成该楼层每位常驻用户的不同覆盖电平范围采样点统计，再对该层楼的所有常驻用户的不同覆盖电平范围采样点进行求和，生成每层楼所有常驻用户的覆盖标准格式化指标。
例如，多个电平门限可设定为：-115dbm、-110dbm、-105dbm、-100dbm与-95dbm，所以所述楼层m所有常驻用户的覆盖标准格式化指标可选为：
①楼层m室分覆盖大于-115dbm采样点数量；
②楼层m室分覆盖大于-110dbm采样点数量；
③楼层m室分覆盖大于-105dbm采样点数量；
④楼层m室分覆盖大于-100dbm采样点数量；
⑤楼层m室分覆盖大于-95dbm采样点数量；
⑥楼层m室分覆盖总采样点数量。
根据生成的六项标准化格式指标，计算出六个不同电平值的区间采样点数量，每个区间采样点数量的具体计算步骤如下：
①楼层m覆盖高于-95dbm采样点数量＝楼层m室分覆盖大于-95dbm采样点数量；
②楼层m覆盖[-95dbm，-100dbm)采样点数量＝楼层m室分覆盖大于-100dbm采样点数量-楼层m室分覆盖大于-95dbm采样点数量；
③楼层m覆盖[-100dbm，-105dbm)采样点数量＝楼层m室分覆盖大于-105dbm采样点数量-楼层m室分覆盖大于-100dbm采样点数量；
④楼层m覆盖[-105dbm，-110dbm)采样点数量＝楼层m室分覆盖大于-110dbm采样点数量-楼层m室分覆盖大于-105dbm采样点数量；
⑤楼层m覆盖[-110dbm，-115dbm)采样点数量＝楼层m室分覆盖大于-115dbm采样点数量-楼层m室分覆盖大于-110dbm采样点数量；
⑥楼层m覆盖小于等于-115dbm采样点数量＝楼层m室分覆盖总采样点数量-楼层m室分覆盖大于-115dbm采样点数量。
在一种示例中，预测模块52，还用于采用Prophet模型训练的时序数据分解方法，将所述楼层在所述历史时段下各信号质量区间的采样数据量分解为趋势项、周期项与误差项，采用Prophet模型预测所述目标时段下各信号质量区间的趋势预测值和周期预测值；
预测模块52，还用于针对每个信号质量区间，将所述信号质量区间对应的趋势预测值、周期预测值和所述信号质量区间对应的误差项相加，得到所述楼层在所述目标时段下各信号质量区间的采样数据量；针对每个信号质量区间，将所述楼层在历史时段下所述信号质量区间的采样数据量与所述信号质量区间对应的趋势预测值以及周期预测值相减，得到随机序列，并计算所述随机序列的标准差；
预测模块52，还用于将所述随机序列的标准差与所述楼层在所述目标时段下各信号质量区间的采样数据量相加，获得所述楼层在目标时段下各信号质量区间的采样数据量门限。
具体的，预测模块52通过Prophet训练模型的时序分解方法，将不同楼层下所有常驻用户MRO不同信号强度区间采样点数量分解为三项：趋势项、周期项和误差项，针对趋势、周期特征分量，建立Prophet模型进行预测。
首先，预测模块52采用Prophet模型训练的时序数据分解方法，将所述楼层在所述历史时段下各信号质量区间的采样数据量分解为趋势项、周期项与误差项。其中，所述楼层在所述历史时段下各信号质量区间的采样数据量记为St，所述趋势项记为trendt，所述周期项记为(dailyt,weeklyt),所述误差项记为ε。然后采用Prophet模型预测所述目标时段下各信号质量区间的趋势预测值和周期预测值，所述的目标时段在所述历史时段之后，可选择所述目标时段在所述历史时段之后的三天。其中所述趋势预测值可记为trendt+3，所述周期预测值记为(dailyt+3,weeklyt+3)。
预测模块52针对每个信号质量区间，将所述信号质量区间对应的趋势预测值、周期预测值和所述信号质量区间对应的误差项相加，得到所述楼层在所述目标时段下各信号质量区间的采样数据量。所述楼层在所述目标时段下各信号质量区间的采样数据量记为St+3，楼层在所述目标时段下各信号质量区间的采样数据量的计算公式为：
St+3＝trendt+3+dailyt+3+weeklyt+3+ε
预测模块52针对每个信号质量区间，将所述楼层在历史时段下所述信号质量区间的采样数据量与所述信号质量区间对应的趋势预测值以及周期预测值相减，得到随机序列。所述随机序列记为Rt，所述随机序列的计算公式为：
Rt＝St-trendt-dailyt-weeklyt
所述每个信号质量区间对应的随机序列的标准差反应了实际的信号质量区间的采样数据量与所述信号质量区间的采样数据量预测值之间的离散程度。所述每个信号质量区间对应的随机序列的标准差记为σ，所述标准差的计算公式为：
Figure BDA0003666086590000221
最后预测模块52将所述随机序列的标准差σ与所述楼层在所述目标时段下各信号质量区间的采样数据量St+3相加，获得所述楼层在目标时段下各信号质量区间的采样数据量门限。
若采用Prophet模型对用户MRO的原始数据分析的过程中，若发现数据中存在格式的不一致性、空缺值和无用信息等噪声数据，这些噪声数据将会不利于模型的训练，需要对原始数据进行预处理。比如，原始数据中存在空缺值，如楼层m覆盖低于-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KPI指标数据。经过一系列对原始数据的分析与处理，得到适合模型训练的标准、连续的数据集。
所述Prophet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。判定模块53将楼层所有常驻用户的MRO不同信号质量区间的实际采样点数量与所述Prophet模型预测出来的动态门限进行对比。当任意质量区间的实际采样点数量连续超过对应预测出来的动态门限时，判定模块53认为室分小区对应楼层存在隐性故障，需要安排代维人员现场排查问题，任意质量区间的实际采样点数量不满足连续超过对应预测出来的动态门限的条件时，判定模块53认为该室分小区对应楼层的信号正常。
本实施例中处理模块通过每层楼确认的标杆用户丰富完善对应楼层覆盖的指纹库信息，并确认每层楼的常驻用户，预测模块根据楼层的常驻用户在历史时段下各信号质量区间的采样数据量，利用Prophet时序算法，预测计算出所述楼层在目标时段下各信号质量区间的采样数据量门限。判定模块将楼层所有常驻用户的电平信号在不同信号质量区间的实际采样点数量与所述Prophet模型预测出来的动态门限进行对比。判断常驻用户在超过预设数量个连续目标时段下，是否存在超出对应的采样数据量门限的信号质量区间，来确定室分小区的隐形故障位置，节省了以往需要对整栋楼宇测试才能确认的故障位置，能够细化定位至故障所在的楼层，极大的提高了室分小区的隐性故障定位准确率以及故障排查的效率。
实施例三
图6为本申请实施例中提供的一种电子设备的结构示意图，如图6所示，该电子设备包括：
处理器(processor)291，电子设备还包括了存储器(memory)292；还可以包括通信接口(Communication Interface)293和总线294。其中，处理器291、存储器292、通信接口293、可以通过总线294完成相互间的通信。通信接口293可以用于信息传输。处理器291可以调用存储器294中的逻辑指令，以执行上述实施例的方法。
此外，上述的存储器292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。
存储器292作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本申请实施例中的方法对应的程序指令/模块。处理器291通过运行存储在存储器292中的软件程序、指令以及模块，从而执行功能应用以及数据处理，即实现上述方法实施例中的方法。
存储器292可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器292可以包括高速随机存取存储器，还可以包括非易失性存储器。
本申请实施例提供一种非临时性计算机可读存储介质，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前述实施例所述的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本申请的其它实施方案。本申请旨在涵盖本申请的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本申请的一般性原理并包括本申请未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本申请的真正范围和精神由下面的权利要求书指出。
应当理解的是，本申请并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求书来限制。

Claims (12)

1.一种室分隐形故障定位方法，其特征在于，包括：
获取室分小区的每个楼层的常驻用户在历史时段的信号质量，并统计获得所述楼层在历史时段下各信号质量区间的采样数据量，所述信号质量区间的采样数据量为落在该信号质量区间内的该楼层常驻用户的信号质量数量；
根据所述楼层在所述历史时段下各信号质量区间的采样数据量，利用Prophet时序算法，预测计算出所述楼层在目标时段下各信号质量区间的采样数据量门限，所述目标时段位于所述历史时段之后；
若超过预设数量个连续目标时段下，存在采样数据量超出对应的采样数据量门限的信号质量区间，则判定所述楼层存在隐形故障；若超过预设数量个连续目标时段下，不存在采样数据量超出对应的采样数据量门限的信号质量区间，则判定所述楼层不存在隐形故障。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
确定所述室分小区的常驻用户；
通过对所述室分小区的每个楼层进行实测采集，形成所述楼层的覆盖情况数据，所述覆盖情况数据包括楼层的不同位置的信号质量；
针对所述室分小区的每个楼层，将所述室分小区的常驻用户的信号质量与所述楼层的覆盖情况数据进行匹配，将匹配成功的常驻用户确定为所述楼层的常驻用户。
3.根据权利要求2所述的方法，其特征在于，所述针对所述室分小区的每个楼层，将所述室分小区的常驻用户的信号质量与所述楼层的覆盖情况数据进行匹配，将匹配的常驻用户确定为所述楼层的常驻用户之前，还包括：
针对所述室分小区的每个楼层，计算所述室分小区的常驻用户的信号质量与所述楼层的覆盖情况数据之间的欧式距离，并将欧式距离最小的常驻用户作为所述楼层的标杆用户；
根据每个楼层的标杆用户的信号质量，更新所述楼层的覆盖情况数据；
所述针对所述室分小区的每个楼层，将所述室分小区的常驻用户的信号质量与所述楼层的覆盖情况数据进行匹配，将匹配成功的常驻用户确定为所述楼层的常驻用户，包括：
针对所述室分小区的每个楼层，将所述室分小区的常驻用户的信号质量与更新后的所述楼层的覆盖情况数据进行匹配，将匹配成功的常驻用户确定为所述楼层的常驻用户。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述统计获得所述楼层在历史时段下各信号质量区间的采样数据量，包括：
根据每个楼层的常驻用户在历史时段的信号质量，基于预定的多个门限，确定所述多个门限对应的采样数据量；其中，所述门限对应的采样数据量包括所述楼层的所有常驻用户的信号质量中，大于所述门限的信号质量的数量总和；
根据所述多个门限中的相邻门限，确定所述各信号质量区间，并基于每组相邻门限对应的采样数据量，通过求差获得对应的信号质量区间的采样数据量。
5.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述楼层在所述历史时段下各信号质量区间的采样数据量，利用Prophet时序算法，预测计算出所述楼层在目标时段下各信号质量区间的采样数据量门限，包括：
采用Prophet模型训练的时序数据分解方法，将所述楼层在所述历史时段下各信号质量区间的采样数据量分解为趋势项、周期项与误差项，采用Prophet模型预测所述目标时段下各信号质量区间的趋势预测值和周期预测值；
针对每个信号质量区间，将所述信号质量区间对应的趋势预测值、周期预测值和所述信号质量区间对应的误差项相加，得到所述楼层在所述目标时段下各信号质量区间的采样数据量；针对每个信号质量区间，将所述楼层在历史时段下所述信号质量区间的采样数据量与所述信号质量区间对应的趋势预测值以及周期预测值相减，得到随机序列，并计算所述随机序列的标准差；
将所述随机序列的标准差与所述楼层在所述目标时段下各信号质量区间的采样数据量相加，获得所述楼层在目标时段下各信号质量区间的采样数据量门限。
6.一种室分隐形故障定位装置，其特征在于，包括：
获取模块，用于获取室分小区的每个楼层的常驻用户在历史时段的信号质量，并统计获得所述楼层在历史时段下各信号质量区间的采样数据量，所述信号质量区间的采样数据量为落在该信号质量区间内的该楼层常驻用户的信号质量数量；
预测模块，用于根据所述楼层在所述历史时段下各信号质量区间的采样数据量，利用Prophet时序算法，预测计算出所述楼层在目标时段下各信号质量区间的采样数据量门限，所述目标时段位于所述历史时段之后；
判定模块，用于若超过预设数量个连续目标时段下，存在采样数据量超出对应的采样数据量门限的信号质量区间，则判定所述楼层存在隐形故障；若超过预设数量个连续目标时段下，不存在采样数据量超出对应的采样数据量门限的信号质量区间，则判定所述楼层不存在隐形故障。
7.根据权利要求6所述的装置，其特征在于，所述装置还包括：
处理模块，用于确定所述室分小区的常驻用户；
所述处理模块，还用于通过对所述室分小区的每个楼层进行实测采集，形成所述楼层的覆盖情况数据，所述覆盖情况数据包括楼层的不同位置的信号质量；
所述处理模块，还用于针对所述室分小区的每个楼层，将所述室分小区的常驻用户的信号质量与所述楼层的覆盖情况数据进行匹配，将匹配成功的常驻用户确定为所述楼层的常驻用户。
8.根据权利要求7所述的装置，其特征在于，
所述处理模块，还用于针对所述室分小区的每个楼层，计算所述室分小区的常驻用户的信号质量与所述楼层的覆盖情况数据之间的欧式距离，并将欧式距离最小的常驻用户作为所述楼层的标杆用户；
所述处理模块，还用于根据每个楼层的标杆用户的信号质量，更新所述楼层的覆盖情况数据；
所述处理模块，还用于针对所述室分小区的每个楼层，将所述室分小区的常驻用户的信号质量与更新后的所述楼层的覆盖情况数据进行匹配，将匹配成功的常驻用户确定为所述楼层的常驻用户。
9.根据权利要求8所述的装置，其特征在于，
所述处理模块，还用于根据每个楼层的常驻用户在历史时段的信号质量，基于预定的多个门限，确定所述多个门限对应的采样数据量；其中，所述门限对应的采样数据量包括所述楼层的所有常驻用户的信号质量中，大于所述门限的信号质量的数量总和；
所述处理模块，还用于根据所述多个门限中的相邻门限，确定所述各信号质量区间，并基于每组相邻门限对应的采样数据量，通过求差获得对应的信号质量区间的采样数据量。
10.根据权利要求6所述的装置，其特征在于，
所述预测模块，还用于采用Prophet模型训练的时序数据分解方法，将所述楼层在所述历史时段下各信号质量区间的采样数据量分解为趋势项、周期项与误差项，采用Prophet模型预测所述目标时段下各信号质量区间的趋势预测值和周期预测值；
所述预测模块，还用于针对每个信号质量区间，将所述信号质量区间对应的趋势预测值、周期预测值和所述信号质量区间对应的误差项相加，得到所述楼层在所述目标时段下各信号质量区间的采样数据量；针对每个信号质量区间，将所述楼层在历史时段下所述信号质量区间的采样数据量与所述信号质量区间对应的趋势预测值以及周期预测值相减，得到随机序列，并计算所述随机序列的标准差；
所述预测模块，还用于将所述随机序列的标准差与所述楼层在所述目标时段下各信号质量区间的采样数据量相加，获得所述楼层在目标时段下各信号质量区间的采样数据量门限。
11.一种电子设备，其特征在于，包括：处理器，以及与所述处理器通信连接的存储器；
所述存储器存储计算机执行指令；
所述处理器执行所述存储器存储的计算机执行指令，以实现如权利要求1-5中任一项所述的方法。
12.一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1-5中任一项所述的方法。
CN202210586326.1A 2022-05-27 2022-05-27 室分隐形故障定位方法、装置、设备及介质 Active CN114845331B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210586326.1A CN114845331B (zh) 2022-05-27 2022-05-27 室分隐形故障定位方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210586326.1A CN114845331B (zh) 2022-05-27 2022-05-27 室分隐形故障定位方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN114845331A true CN114845331A (zh) 2022-08-02
CN114845331B CN114845331B (zh) 2024-09-24

Family

ID=82572189

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210586326.1A Active CN114845331B (zh) 2022-05-27 2022-05-27 室分隐形故障定位方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114845331B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103118332A (zh) * 2013-01-23 2013-05-22 北京拓明科技有限公司 一种对室内用户所在楼层的定位方法
CN104796277A (zh) * 2014-01-21 2015-07-22 中国移动通信集团湖南有限公司 一种网络故障监测方法及装置
US20160337888A1 (en) * 2013-12-24 2016-11-17 Ranplan Wireless Network Design Ltd Method of positioning problem regions covered with indoor wireless network
CN107889210A (zh) * 2016-09-30 2018-04-06 中国电信股份有限公司 楼宇用户定位方法和系统
CN108156580A (zh) * 2017-12-19 2018-06-12 江西师范大学 一种基于智能手机的室内楼层定位方法
CN108243441A (zh) * 2016-12-27 2018-07-03 中国移动通信集团浙江有限公司 室内分布系统故障判定方法及装置
CN111356147A (zh) * 2018-12-05 2020-06-30 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
CN112243225A (zh) * 2019-07-16 2021-01-19 中国移动通信集团浙江有限公司 楼宇室内用户识别方法、装置、设备和存储介质
CN112702194A (zh) * 2020-12-16 2021-04-23 中国联合网络通信集团有限公司 室分小区故障定位方法、装置及电子设备
CN114363946A (zh) * 2021-12-24 2022-04-15 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

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103118332A (zh) * 2013-01-23 2013-05-22 北京拓明科技有限公司 一种对室内用户所在楼层的定位方法
US20160337888A1 (en) * 2013-12-24 2016-11-17 Ranplan Wireless Network Design Ltd Method of positioning problem regions covered with indoor wireless network
CN104796277A (zh) * 2014-01-21 2015-07-22 中国移动通信集团湖南有限公司 一种网络故障监测方法及装置
CN107889210A (zh) * 2016-09-30 2018-04-06 中国电信股份有限公司 楼宇用户定位方法和系统
CN108243441A (zh) * 2016-12-27 2018-07-03 中国移动通信集团浙江有限公司 室内分布系统故障判定方法及装置
CN108156580A (zh) * 2017-12-19 2018-06-12 江西师范大学 一种基于智能手机的室内楼层定位方法
CN111356147A (zh) * 2018-12-05 2020-06-30 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
CN112243225A (zh) * 2019-07-16 2021-01-19 中国移动通信集团浙江有限公司 楼宇室内用户识别方法、装置、设备和存储介质
CN112702194A (zh) * 2020-12-16 2021-04-23 中国联合网络通信集团有限公司 室分小区故障定位方法、装置及电子设备
CN114363946A (zh) * 2021-12-24 2022-04-15 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

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王琳;: "构建"3D"室分隐性故障监控体系", 科技视界, no. 27, 25 September 2018 (2018-09-25) *

Also Published As

Publication number Publication date
CN114845331B (zh) 2024-09-24

Similar Documents

Publication Publication Date Title
CN116797404A (zh) 基于大数据和数据处理的智能建筑运维监管系统
CN105453121A (zh) 用于分析学的位置分析
CN115086089B (zh) 一种用于网络安全评估预测的方法及系统
CN116228021A (zh) 一种基于环境监测的矿山生态修复评价分析方法及系统
CN112816380A (zh) 基于大数据分析的建筑工程工地施工环境在线监测方法及监测云平台
CN106921507A (zh) 在无线通信网络中对用户投诉进行预测的方法和装置
CN112347652B (zh) 基于水文气象地区线性矩频率分析的暴雨高风险区划方法
CN117852324B (zh) 一种基于数据孪生的场景构建方法
CN114638465A (zh) 一种基于二次评分的采集终端网络信号质量评价方法
CN113837667A (zh) 一种基于位置大数据的城市抗灾韧性阈值检测方法及系统
CN114845331A (zh) 室分隐形故障定位方法、装置、设备及介质
CN116662466B (zh) 通过大数据进行土地全生命周期维护系统
CN116934149A (zh) 一种电网建设项目对环境影响的环保评估方法
CN114661929B (zh) 用于森林治理的作业管理方法、装置、设备及存储介质
CN112765553B (zh) 一种基于大数据的工程项目管理系统
CN112732773B (zh) 一种继电保护缺陷数据的唯一性校核方法及系统
CN114492507B (zh) 一种数模协同驱动下的轴承剩余寿命预测方法
CN115809795A (zh) 一种基于数字化的生产班组的承载能力评估方法和装置
CN112929887B (zh) 基于流量预测设置室分站的方法、装置和电子设备
CN114897345A (zh) 一种基于员工数据自动生成指标分的方法及装置
CN113344352A (zh) 一种基于机器学习算法的蓄电池馈电风险识别方法
CN111859058A (zh) 环境数据的获取方法、装置、存储介质及电子装置
CN112040411A (zh) 一种数据分析方法及装置
CN117273467B (zh) 一种基于多因素耦合的工业安全风险管控方法及系统
CN116956638B (zh) 一种设备寿命数据联合拟合检验分析方法

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