CN118265064A - 一种基站故障预测方法、装置及可读存储介质 - Google Patents
一种基站故障预测方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN118265064A CN118265064A CN202410351650.4A CN202410351650A CN118265064A CN 118265064 A CN118265064 A CN 118265064A CN 202410351650 A CN202410351650 A CN 202410351650A CN 118265064 A CN118265064 A CN 118265064A
- Authority
- CN
- China
- Prior art keywords
- base station
- alarm
- data
- fault
- real
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 16
- 230000015654 memory Effects 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 230000001131 transforming effect Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 6
- 238000010606 normalization Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
Classifications
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供一种基站故障预测方法、装置及可读存储介质，该方法包括：获取实时基站数据和实时告警数据；根据所述实时基站数据和实时告警数据提取基站状态特征和基站告警特征，其中，所述基站告警特征包括基站告警类型特征，基站告警时长特征，基站告警优先级特征以及基站告警间的关联特征；根据所述基站状态特征、基站告警类型特征，基站告警时长特征，基站告警优先级特征以及基站告警间的关联特征利用训练好的基站故障预测模型预测出基站对应的故障类型。该方法、装置及可读存储介质能够解决现有的基站故障预测方法没有充分利用告警信息，考虑的不够深入，导致故障预测的准确率不高的问题。
Description
技术领域
本发明涉及网络技术领域，尤其涉及一种基站故障预测方法、装置及可读存储介质。
背景技术
网络通信基站往往存在多种异常告警，不同告警之间会互相影响；当基站产生故障宕机时，导致宕机的原因往往取决于前面多次故障告警，而不仅仅取决于上次异常告警。因此，如何全面利用某一周期内所有的故障告警信息对基站故障进行预测，显得尤为重要。
然而，现有的对基站故障进行预测的方法主要基于关联规则的手段对基站告警数据进行过滤，无法充分利用告警信息，考虑的不够深入，因此导致故障预测的准确率不高。
发明内容
本发明所要解决的技术问题是针对现有技术的上述不足，提供一种基站故障预测方法、装置及可读存储介质，用以解决现有的基站故障预测方法没有充分利用告警信息，考虑的不够深入，导致故障预测的准确率不高的问题。
第一方面，本发明提供一种基站故障预测方法，所述方法包括：
获取实时基站数据和实时告警数据；
根据所述实时基站数据和实时告警数据提取基站状态特征和基站告警特征，其中，所述基站告警特征包括基站告警类型特征，基站告警时长特征，基站告警优先级特征以及基站告警间的关联特征；
根据所述基站状态特征、基站告警类型特征，基站告警时长特征，基站告警优先级特征以及基站告警间的关联特征利用训练好的基站故障预测模型预测出基站对应的故障类型。
进一步地，所述基站状态特征包括基站位置特征、基站类型特征、基站范围特征、基站年限特征和基站功耗特征。
进一步地，所述根据所述实时基站数据和实时告警数据提取基站状态特征和基站告警特征之前，所述方法还包括：
对所述实时基站数据和实时告警数据进行数据预处理，所述数据预处理包括以下至少之一：异常数据剔除，缺失值补充，数值类型数据归一化。
进一步地，所述获取实时基站数据和实时告警数据之前，所述方法还包括：
采集基站数据和告警数据；
从采集的基站数据中提取基站状态特征；
从采集的告警数据中提取基站告警特征；
使用基站故障预测模型对提取的基站状态特征和基站告警特征进行训练，得到训练好的所述基站故障预测模型。
进一步地，所述从采集的基站数据中提取基站状态特征，具体包括：
从采集的基站数据中分别提取出基站的不同状态特征；
对基站的不同状态特征进行加和，得到加和后的基站状态特征；
基于变换函数将所有加和后的基站状态特征变换到同一纬度的同一特征空间中，得到最终的基站状态特征。
进一步地，所述从采集的告警数据中提取基站告警特征，具体包括：
从采集的告警数据中分别提取出基站告警类型特征，基站告警时长特征，基站告警优先级特征；
将提取出的基站告警类型特征，基站告警时长特征，基站告警优先级特征进行融合，得到基站故障特征；
基于采集的告警数据分析不同告警数据之间的关联关系，得到基站告警间的关联特征。
进一步地，所述从采集的告警数据中分别提取出基站告警类型特征，基站告警时长特征，基站告警优先级特征，具体包括：
根据n种告警类型中每种告警类型的权重值和类型值从采集的告警数据中提取出基站告警类型特征，其中，n>1；
计算采集的告警数据中所有告警时长的平均值，并根据所述平均值从采集的告警数据中提取出基站告警时长特征；
根据m类告警优先级中每类告警优先级的权重值以及对应的级别值从采集的告警数据中提取出基站告警优先级特征，其中，m>1。
进一步地，所述使用基站故障预测模型对提取的基站状态特征和基站告警特征进行训练，得到训练好的所述基站故障预测模型，具体包括：
将所述基站故障特征以及对应的标签信息作为基站故障预测模型的输入，利用所述基站状态特征、基站告警间的关联特征对所述基站故障预测模型进行训练，得到训练好的所述基站故障预测模型。
第二方面，本发明提供一种基站故障预测装置，所述装置包括：
故障数据获取模块，用于获取实时基站数据和实时告警数据；
故障特征提取模块，与所述故障数据获取模块连接，用于根据所述实时基站数据和实时告警数据提取基站状态特征和基站告警特征，其中，所述基站告警特征包括基站告警类型特征，基站告警时长特征，基站告警优先级特征以及基站告警间的关联特征；
故障类型预测模块，与所述故障特征提取模块连接，用于根据所述基站状态特征、基站告警类型特征，基站告警时长特征，基站告警优先级特征以及基站告警间的关联特征利用训练好的基站故障预测模型预测出基站对应的故障类型。
第三方面，本发明提供一种基站故障预测装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以实现上述第一方面所述的基站故障预测方法。
第四方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述第一方面所述的基站故障预测方法。
本发明提供的基站故障预测方法、装置及可读存储介质，首先获取实时基站数据和实时告警数据；然后根据所述实时基站数据和实时告警数据提取基站状态特征和基站告警特征，其中，所述基站告警特征包括基站告警类型特征，基站告警时长特征，基站告警优先级特征以及基站告警间的关联特征；再根据所述基站状态特征、基站告警类型特征，基站告警时长特征，基站告警优先级特征以及基站告警间的关联特征利用训练好的基站故障预测模型预测出基站对应的故障类型。本发明深度考虑了基站数据和告警数据以及告警数据之间的相互影响关系，充用利用实时基站数据和实时告警数据中提取的基站状态特征、基站告警类型特征，基站告警时长特征，基站告警优先级特征以及基站告警间的关联特征对基站具体产生了哪种或哪几种类型的故障进行预测，从而能够有效提高基站故障预测的准确率。解决了现有的基站故障预测方法没有充分利用告警信息，考虑的不够深入，导致故障预测的准确率不高的问题。
附图说明
图1为本发明实施例1的一种基站故障预测方法的流程图；
图2为本发明实施例的对基站故障预测模型进行训练的整体流程图；
图3为本发明实施例的采用基站故障预测模型对基站故障进行预测的整体流程图；
图4为本发明实施例的基站故障预测模型的架构示意图；
图5为本发明实施例2的一种基站故障预测装置的结构示意图；
图6为本发明实施例3的一种基站故障预测装置的结构示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案，下面将结合附图对本发明实施方式作进一步地详细描述。
可以理解的是，此处描述的具体实施例和附图仅仅用于解释本发明，而非对本发明的限定。
可以理解的是，在不冲突的情况下，本发明中的各实施例及实施例中的各特征可相互组合。
可以理解的是，为便于描述，本发明的附图中仅示出了与本发明相关的部分，而与本发明无关的部分未在附图中示出。
可以理解的是，本发明的实施例中所涉及的每个单元、模块可仅对应一个实体结构，也可由多个实体结构组成，或者，多个单元、模块也可集成为一个实体结构。
可以理解的是，本发明的实施例中的术语“第一”、“第二”等是用于区别不同的对象，或者用于区别对同一对象的不同处理，而不是用于描述对象的特定顺序。
可以理解的是，在不冲突的情况下，本发明的流程图和框图中所标注的功能、步骤可按照不同于附图中所标注的顺序发生。
可以理解的是，本发明的流程图和框图中，示出了按照本发明各实施例的系统、装置、设备、方法的可能实现的体系架构、功能和操作。其中，流程图或框图中的每个方框可代表一个单元、模块、程序段、代码，其包含用于实现规定的功能的可执行指令。而且，框图和流程图中的每个方框或方框的组合，可用实现规定的功能的基于硬件的系统实现，也可用硬件与计算机指令的组合来实现。
可以理解的是，本发明实施例中所涉及的单元、模块可通过软件的方式实现，也可通过硬件的方式来实现，例如单元、模块可位于处理器中。
实施例1：
本实施例提供一种基站故障预测方法，如图1所示，该方法包括：
步骤S101：获取实时基站数据和实时告警数据。
在本实施例中，实时基站数据包括基站的地理位置、类型、辐射范围、工作年限、功耗等与基站相关的数据，实时告警数据包括基站的告警类型、告警级别、告警时长等与告警相关的数据。
可选地，所述根据所述实时基站数据和实时告警数据提取基站状态特征和基站告警特征之前，所述方法还包括：
对所述实时基站数据和实时告警数据进行数据预处理，所述数据预处理包括以下至少之一：异常数据剔除，缺失值补充，数值类型数据归一化。
在本实施例中，为了进一步保证故障预测的准确性，先对实时基站数据和实时告警数据进行数据预处理，剔除掉实时数据中的异常数据、对实时数据中的缺失值进行补充、对数值类型数据进行归一化等等。
步骤S102：根据所述实时基站数据和实时告警数据提取基站状态特征和基站告警特征，其中，所述基站告警特征包括基站告警类型特征，基站告警时长特征，基站告警优先级特征以及基站告警间的关联特征。
在本实施例中，基站状态特征包括基站位置特征、基站类型特征、基站范围特征、基站年限特征和基站功耗特征。基站位置特征用于指示基站的地理位置；基站类型特征用于指示基站的类型，比如是4G基站、5G基站等，或者是宏基站、微基站、室内分布式基站、蜂窝小基站等；基站范围特征用于指示基站的辐射范围；基站年限特征用于指示基站的工作年限、基站功耗特征用于指示基站的功耗相关的特征。
步骤S103：根据所述基站状态特征、基站告警类型特征，基站告警时长特征，基站告警优先级特征以及基站告警间的关联特征利用训练好的基站故障预测模型预测出基站对应的故障类型。
在本实施例中，训练好的基站故障预测模型深度考虑了基站数据和告警数据以及告警数据之间的相互影响关系，能够有效提高基站故障正确检测率。
可选地，所述获取实时基站数据和实时告警数据之前，所述方法还包括：
采集基站数据和告警数据；
从采集的基站数据中提取基站状态特征；
从采集的告警数据中提取基站告警特征；
使用基站故障预测模型对提取的基站状态特征和基站告警特征进行训练，得到训练好的所述基站故障预测模型。
在本实施例中，对基站故障预测模型进行训练的整体流程图如图2所示，首先采集基站数据和告警数据并进行打标；然后对采集的基站数据和告警数据进行数据预处理，再从数据预处理后的数据中提取出基站状态特征和基站告警特征，其中，基站状态特征包括基站位置特征、基站类型特征、基站范围特征、基站年限特征和基站功耗特征；基站告警特征包括基站告警类型特征，基站告警时长特征，基站告警级别特征(也即基站告警优先级特征)以及基站告警关联特征(也即基站告警间的关联特征)，再使用基站故障预测模型对提取的基站状态特征和基站告警特征进行训练，得到训练好的所述基站故障预测模型。
在本实施例中，基于图2所示的训练步骤，针对需要预测的数据，采用基站故障预测模型对基站故障进行预测的整体流程图如图3所示，首先获取实时基站数据和实时告警数据，然后对实时基站数据和实时告警数据进行数据预处理，再从数据预处理后的数据中提取出基站状态特征和基站告警特征，其中，基站状态特征包括基站位置特征、基站类型特征、基站范围特征、基站年限特征和基站功耗特征；基站告警特征包括基站告警类型特征，基站告警时长特征，基站告警级别特征(也即基站告警优先级特征)以及基站告警关联特征(也即基站告警间的关联特征)，最后，利用训练好的基站故障预测模型进行预测，得到基站对应的故障类型。
可选地，所述从采集的基站数据中提取基站状态特征，具体包括：
从采集的基站数据中分别提取出基站的不同状态特征；
对基站的不同状态特征进行加和，得到加和后的基站状态特征；
基于变换函数将所有加和后的基站状态特征变换到同一纬度的同一特征空间中，得到最终的基站状态特征。
在本实施例中，基站特征作为整个模型训练的基础，需要尽可能表达出基站运行时某一时刻的所有信息，利用神经网络模型，分别提取出基站的不同状态特征，然后对基站的不同状态特征进行加和，得到基站状态特征，最后，经过变换函数，把所有基站状态特征变换到同一纬度的同一特征空间中，得到最终的基站状态特征。基站的不同状态特征包括：基站位置特征、基站类型特征、基站范围特征、基站年限特征和基站功耗特征等。
可选地，所述从采集的告警数据中提取基站告警特征，具体包括：
从采集的告警数据中分别提取出基站告警类型特征，基站告警时长特征，基站告警优先级特征；
将提取出的基站告警类型特征，基站告警时长特征，基站告警优先级特征进行融合，得到基站故障特征；
基于采集的告警数据分析不同告警数据之间的关联关系，得到基站告警间的关联特征。
需要说明的是，在对基站故障进行预测的过程中，基站运行时发出的告警信息暗含了基站故障信息，因此，如何挖掘基站告警中的深层信息和告警与告警之间的关联关系，显得尤为重要，告警信息挖掘的好坏将直接影响基站故障类型的预测结果。为此，我们获取基站告警类型特征，基站告警时长特征，基站告警优先级特征，并进行融合得到基站故障特征。同时，在对基站进行故障预测的过程中，不同时刻产生的告警之间是存在关联关系的，因此，我们通过分析不同告警数据之间的关联关系可以提取出基站告警间的关联特征。
可选地，所述从采集的告警数据中分别提取出基站告警类型特征，基站告警时长特征，基站告警优先级特征，具体包括：
根据n种告警类型中每种告警类型的权重值和类型值从采集的告警数据中提取出基站告警类型特征，其中，n>1；
计算采集的告警数据中所有告警时长的平均值，并根据所述平均值从采集的告警数据中提取出基站告警时长特征；
根据m类告警优先级中每类告警优先级的权重值以及对应的级别值从采集的告警数据中提取出基站告警优先级特征，其中，m>1。
在本实施例中，为了提取基站告警类型特征，首先为每一种告警类型定义权重值和类型值，然后根据所有告警类型中每种告警类型的权重值和类型值从采集的告警数据中提取出基站告警类型特征。
在本实施例中，在提取基站告警时长特征过程中，由于告警时长有长有短，因此对告警时长做归一化处理，具体地，先从采集的告警数据中获取所有告警时长，将其统一单位为毫秒，并对其计算平均值，再根据平均值和采集的告警数据计算出基站告警时长特征。
在本实施例中，为了提取基站告警优先级特征，首先定义每个告警的优先级，得到m类告警优先级，并赋予每类告警优先级不同的权重，然后根据m类告警优先级中每类告警优先级的权重值以及对应的级别值从采集的告警数据中提取出基站告警优先级特征。
可选地，所述使用基站故障预测模型对提取的基站状态特征和基站告警特征进行训练，得到训练好的所述基站故障预测模型，具体包括：
将所述基站故障特征以及对应的标签信息作为基站故障预测模型的输入，利用所述基站状态特征、基站告警间的关联特征对所述基站故障预测模型进行训练，得到训练好的所述基站故障预测模型。
在本实施例中，基站故障预测模型的架构可以如图4所示，打标后的基站故障特征(即将基站告警类型特征，基站告警时长特征，基站告警优先级特征融合后的特征)作为基站故障预测模型的输入，在模型训练过程中引入基站状态特征、基站告警间的关联特征计算数据的整体特征，得到训练好的基站故障预测模型。
在一个具体的实施例中，从基站元数据和基站告警数据多维度入手，提出了多维基站故障预测模型，深度考虑了基站数据和告警数据及告警数据之间的相互影响关系，能够有效提高基站故障正确检测率，该基站故障预测方法可以包括如下步骤：
采集基站数据和基站的告警数据，并对基站数据和告警数据进行数据预处理，预处理包括异常数据剔除，缺失值补充，数值类型数据归一化。处理以后得到数据集D＝{(D1,L1),…,(Di,Li),…,(Dδ,Lδ)}，其中1≤i≤δ，表示数据集中的第i条数据，共δ条标注数据。其中，Di＝(Si,Ai)表示第i条故障数据，Li∈R1×n，n代表故障的种类数量，Li＝(xi,1,…,xi,j,…xi,n)，xi,j＝1当且仅当Di包含第j种故障，Si表示第i条数据的基站状态特征，Ai表示第i条数据的基站告警特征。
1、获取基站状态特征
基站特征作为整个模型训练的基础，需要尽可能表达出基站运行时某一时刻的所有信息。利用神经网络模型，分别提取出基站的状态值的特征，然后对基站的不同状态特征进行加和，得到基站状态特征，最后，经过变换函数，把所有基站状态特征变换到同一纬度的同一特征空间中，得到最终的基站状态特征。基站的不同状态特征包括：基站位置特征、基站类型特征、基站范围特征、基站年限特征和基站功耗特征等。基站状态特征具体的，第i个基站在第t个时刻的状态特征其中1≤j≤u，u表示基站状态属性的个数，是通过神经网络模型得到的基站第t时刻的状态属性特征向量，为了便于模型计算，我们对基站状态特征进行进一步处理，具体的，令
经过变换函数f以后，得到的第i个基站在第t时刻的状态特征向量为：
其中，
变换函数f可以使用任何的变换函数，如下式，其中Wf是需要学习的权重参数。
因此，得到基站状态特征
2、获取基站告警特征
在对基站故障进行预测过程中，基站运行时发出的告警信息暗含了基站故障信息，如何挖掘基站告警中的深层信息和告警与告警之间的关联关系，显得尤为重要，告警信息挖掘的好坏将直接影响基站故障类型的预测结果。为此，我们获取基站告警类型特征，基站告警时长特征，基站告警优先级特征，基站告警间的关联特征。
1)获取基站告警类型特征
为了提取告警类型特征，我们为每一类告警定义了权重值和类型值。具体的，第i个基站在第t时刻的告警类型特征n表示一共有n种告警类型。具体的
即：
其中wj表示第j类告警的权重值，dj表示第j类告警的类型值，xi,j＝1当且仅当Di包含第j种告警。此时，我们令初始的基站告警特征为：
1≤t≤Ti，其中为，
且，
2)获取基站告警时长特征
在提取告警时长特征过程中，由于告警时长有长有短，因此对告警时长做归一化处理。为了获取第i个基站在第t时刻的基站告警时长特征首先获取要数据集中的所有告警时长DiTi，将其统一单位为毫秒，并对其计算平均值具体的
其中，n代表数据集一共有n条数据。
基于得到的平均值令
此时，更新基站故障特征更新后得到的基站故障特征为：
3)获取基站告警优先级特征
对于基站告警优先级特征，我们定义了每个告警的优先级，并赋予每个告警不同的权重。具体的，第i个基站在第t时刻的基站告警优先级特征m表示一共有m类告警级别。具体的
其中wj表示第j类告警级别(也即告警优先级)的权重值，lj表示第j类告警的级别值，xi,j＝1当且仅当Di包含第j种告警。此时，更新基站故障特征更新后得到的基站故障特征为：
4)获取基站告警间的关联特征
在对基站进行故障预测过程中，不同时刻产生的告警之间是存在关联关系的，为了提取基站告警间的关联特征，引入函数用于衡量数据Di中第tj时刻的告警数据和第tk时刻的告警数据之间的关联关系。具体的：
其中，Distance(tj,tk)表示tj时刻和tk时刻之间的差值，单位是ms，同样做归一化处理，即：
为了引入基站告警间的关联特征，从中学习得到标量则基站告警间的关联特征为：
3、利用上述5种特征计算得到Di的特征表示
模型的输入是基站故障特征其中d是隐藏层的维度，是在位置i的隐层表示。输入并通过三个矩阵(WQ、WK、WV是模型训练的初始参数矩阵，可以全0也可以全1)来转换到对应的表示Q，K，V。即：
那么对于每一个代码图谱，模型的输出为：
其中，READOUT函数用于把上述基站故障特征、基站状态特征、基站告警间的关联特征整合成一个特征表示。
至此我们完成了从基站告警数据到基站故障特征的映射，根据数据集中的标签信息可以对基站故障特征进行分类。对于新的基站告警数据只需要按照上述步骤获得基站故障特征，然后计算基站故障特征之间的相似度，即可给出预测结果。
本发明基于基站告警数据提取出了多维度的告警数据向量，包括告警类型、告警时长、告警优先级、告警时基站运行状态，且考虑了告警发生的时间顺序信息及告警与告警之间的相互影响；同时，基于基站元数据提取出了多维度的基站数据向量，包括基站位置、基站类型、基站范围、基站年限、基站功耗等。基于上述多维度数据向量，经过多维基站故障预测架构，得到基站故障向量，再利用Softmax分类模型，对基站故障进行预测，能够预测出基站具体的故障类型，通过引入基站状态特征、基站告警类型特征、基站告警时长特征、基站告警优先级特征和基站告警间的关联特征提高了基站故障预测的准确率。
本发明实施例提供的基站故障预测方法，首先获取实时基站数据和实时告警数据；然后根据所述实时基站数据和实时告警数据提取基站状态特征和基站告警特征，其中，所述基站告警特征包括基站告警类型特征，基站告警时长特征，基站告警优先级特征以及基站告警间的关联特征；再根据所述基站状态特征、基站告警类型特征，基站告警时长特征，基站告警优先级特征以及基站告警间的关联特征利用训练好的基站故障预测模型预测出基站对应的故障类型。本发明深度考虑了基站数据和告警数据以及告警数据之间的相互影响关系，充用利用实时基站数据和实时告警数据中提取的基站状态特征、基站告警类型特征，基站告警时长特征，基站告警优先级特征以及基站告警间的关联特征对基站具体产生了哪种或哪几种类型的故障进行预测，从而能够有效提高基站故障预测的准确率。解决了现有的基站故障预测方法没有充分利用告警信息，考虑的不够深入，导致故障预测的准确率不高的问题。
实施例2：
如图5所示，本实施例提供一种基站故障预测装置，用于执行上述基站故障预测方法，所述装置包括：
故障数据获取模块11，用于获取实时基站数据和实时告警数据；
故障特征提取模块12，与所述故障数据获取模块11连接，用于根据所述实时基站数据和实时告警数据提取基站状态特征和基站告警特征，其中，所述基站告警特征包括基站告警类型特征，基站告警时长特征，基站告警优先级特征以及基站告警间的关联特征；
故障类型预测模块13，与所述故障特征提取模块12连接，用于根据所述基站状态特征、基站告警类型特征，基站告警时长特征，基站告警优先级特征以及基站告警间的关联特征利用训练好的基站故障预测模型预测出基站对应的故障类型。
可选地，所述基站状态特征包括基站位置特征、基站类型特征、基站范围特征、基站年限特征和基站功耗特征。
可选地，所述装置还包括：
数据预处理模块，用于对所述实时基站数据和实时告警数据进行数据预处理，所述数据预处理包括以下至少之一：异常数据剔除，缺失值补充，数值类型数据归一化。
可选地，所述装置还包括：
数据采集模块，用于采集基站数据和告警数据；
第一提取模块，用于从采集的基站数据中提取基站状态特征；
第二提取模块，用于从采集的告警数据中提取基站告警特征；
模型训练模块，用于使用基站故障预测模型对提取的基站状态特征和基站告警特征进行训练，得到训练好的所述基站故障预测模型。
可选地，所述第一提取模块具体包括：
状态特征提取单元，用于从采集的基站数据中分别提取出基站的不同状态特征；
加和计算单元，用于对基站的不同状态特征进行加和，得到加和后的基站状态特征；
特征变换单元，用于基于变换函数将所有加和后的基站状态特征变换到同一纬度的同一特征空间中，得到最终的基站状态特征。
可选地，所述第二提取模块具体包括：
故障特征提取单元，用于从采集的告警数据中分别提取出基站告警类型特征，基站告警时长特征，基站告警优先级特征；
故障特征融合单元，用于将提取出的基站告警类型特征，基站告警时长特征，基站告警优先级特征进行融合，得到基站故障特征；
关联关系分析单元，用于基于采集的告警数据分析不同告警数据之间的关联关系，得到基站告警间的关联特征。
可选地，所述故障特征提取单元具体包括：
类型提取单元，用于根据n种告警类型中每种告警类型的权重值和类型值从采集的告警数据中提取出基站告警类型特征，其中，n>1；
时长提取单元，用于计算采集的告警数据中所有告警时长的平均值，并根据所述平均值从采集的告警数据中提取出基站告警时长特征；
优先级提取单元，用于根据m类告警优先级中每类告警优先级的权重值以及对应的级别值从采集的告警数据中提取出基站告警优先级特征，其中，m>1。
可选地，所述模型训练模块具体用于：
将所述基站故障特征以及对应的标签信息作为基站故障预测模型的输入，利用所述基站状态特征、基站告警间的关联特征对所述基站故障预测模型进行训练，得到训练好的所述基站故障预测模型。
实施例3：
参考图6，本实施例提供一种基站故障预测装置，包括存储器21和处理器22，存储器21中存储有计算机程序，处理器22被设置为运行所述计算机程序以执行实施例1中的基站故障预测方法。
其中，存储器21与处理器22连接，存储器21可采用闪存或只读存储器或其他存储器，处理器22可采用中央处理器或单片机。
实施例4：
本实施例提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述实施例1中的基站故障预测方法。
该计算机可读存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、计算机程序模块或其他数据)的任何方法或技术中实施的易失性或非易失性、可移除或不可移除的介质。计算机可读存储介质包括但不限于RAM(Random Access Memory，随机存取存储器)，ROM(Read-Only Memory，只读存储器)，EEPROM(Electrically ErasableProgrammable read only memory，带电可擦可编程只读存储器)、闪存或其他存储器技术、CD-ROM(Compact Disc Read-Only Memory，光盘只读存储器)，数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。
综上所述，本发明实施例提供的基站故障预测方法、装置及可读存储介质，首先获取实时基站数据和实时告警数据；然后根据所述实时基站数据和实时告警数据提取基站状态特征和基站告警特征，其中，所述基站告警特征包括基站告警类型特征，基站告警时长特征，基站告警优先级特征以及基站告警间的关联特征；再根据所述基站状态特征、基站告警类型特征，基站告警时长特征，基站告警优先级特征以及基站告警间的关联特征利用训练好的基站故障预测模型预测出基站对应的故障类型。本发明深度考虑了基站数据和告警数据以及告警数据之间的相互影响关系，充用利用实时基站数据和实时告警数据中提取的基站状态特征、基站告警类型特征，基站告警时长特征，基站告警优先级特征以及基站告警间的关联特征对基站具体产生了哪种或哪几种类型的故障进行预测，从而能够有效提高基站故障预测的准确率。解决了现有的基站故障预测方法没有充分利用告警信息，考虑的不够深入，导致故障预测的准确率不高的问题。
可以理解的是，以上实施方式仅仅是为了说明本发明的原理而采用的示例性实施方式，然而本发明并不局限于此。对于本领域内的普通技术人员而言，在不脱离本发明的精神和实质的情况下，可以做出各种变型和改进，这些变型和改进也视为本发明的保护范围。
Claims (11)
1.一种基站故障预测方法，其特征在于，所述方法包括：
获取实时基站数据和实时告警数据；
根据所述实时基站数据和实时告警数据提取基站状态特征和基站告警特征，其中，所述基站告警特征包括基站告警类型特征，基站告警时长特征，基站告警优先级特征以及基站告警间的关联特征；
根据所述基站状态特征、基站告警类型特征，基站告警时长特征，基站告警优先级特征以及基站告警间的关联特征利用训练好的基站故障预测模型预测出基站对应的故障类型。
2.根据权利要求1所述的方法，其特征在于，所述基站状态特征包括基站位置特征、基站类型特征、基站范围特征、基站年限特征和基站功耗特征。
3.根据权利要求1所述的方法，其特征在于，所述根据所述实时基站数据和实时告警数据提取基站状态特征和基站告警特征之前，所述方法还包括：
对所述实时基站数据和实时告警数据进行数据预处理，所述数据预处理包括以下至少之一：异常数据剔除，缺失值补充，数值类型数据归一化。
4.根据权利要求1所述的方法，其特征在于，所述获取实时基站数据和实时告警数据之前，所述方法还包括：
采集基站数据和告警数据；
从采集的基站数据中提取基站状态特征；
从采集的告警数据中提取基站告警特征；
使用基站故障预测模型对提取的基站状态特征和基站告警特征进行训练，得到训练好的所述基站故障预测模型。
5.根据权利要求4所述的方法，其特征在于，所述从采集的基站数据中提取基站状态特征，具体包括：
从采集的基站数据中分别提取出基站的不同状态特征；
对基站的不同状态特征进行加和，得到加和后的基站状态特征；
基于变换函数将所有加和后的基站状态特征变换到同一纬度的同一特征空间中，得到最终的基站状态特征。
6.根据权利要求4所述的方法，其特征在于，所述从采集的告警数据中提取基站告警特征，具体包括：
从采集的告警数据中分别提取出基站告警类型特征，基站告警时长特征，基站告警优先级特征；
将提取出的基站告警类型特征，基站告警时长特征，基站告警优先级特征进行融合，得到基站故障特征；
基于采集的告警数据分析不同告警数据之间的关联关系，得到基站告警间的关联特征。
7.根据权利要求6所述的方法，其特征在于，所述从采集的告警数据中分别提取出基站告警类型特征，基站告警时长特征，基站告警优先级特征，具体包括：
根据n种告警类型中每种告警类型的权重值和类型值从采集的告警数据中提取出基站告警类型特征，其中，n>1；
计算采集的告警数据中所有告警时长的平均值，并根据所述平均值从采集的告警数据中提取出基站告警时长特征；
根据m类告警优先级中每类告警优先级的权重值以及对应的级别值从采集的告警数据中提取出基站告警优先级特征，其中，m>1。
8.根据权利要求6所述的方法，其特征在于，所述使用基站故障预测模型对提取的基站状态特征和基站告警特征进行训练，得到训练好的所述基站故障预测模型，具体包括：
将所述基站故障特征以及对应的标签信息作为基站故障预测模型的输入，利用所述基站状态特征、基站告警间的关联特征对所述基站故障预测模型进行训练，得到训练好的所述基站故障预测模型。
9.一种基站故障预测装置，其特征在于，所述装置包括：
故障数据获取模块，用于获取实时基站数据和实时告警数据；
故障特征提取模块，与所述故障数据获取模块连接，用于根据所述实时基站数据和实时告警数据提取基站状态特征和基站告警特征，其中，所述基站告警特征包括基站告警类型特征，基站告警时长特征，基站告警优先级特征以及基站告警间的关联特征；
故障类型预测模块，与所述故障特征提取模块连接，用于根据所述基站状态特征、基站告警类型特征，基站告警时长特征，基站告警优先级特征以及基站告警间的关联特征利用训练好的基站故障预测模型预测出基站对应的故障类型。
10.一种基站故障预测装置，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以实现如权利要求1-8中任一项所述的基站故障预测方法。
11.一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上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-8中任一项所述的基站故障预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410351650.4A CN118265064A (zh) | 2024-03-26 | 2024-03-26 | 一种基站故障预测方法、装置及可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410351650.4A CN118265064A (zh) | 2024-03-26 | 2024-03-26 | 一种基站故障预测方法、装置及可读存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN118265064A true CN118265064A (zh) | 2024-06-28 |
Family
ID=91612615
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410351650.4A Pending CN118265064A (zh) | 2024-03-26 | 2024-03-26 | 一种基站故障预测方法、装置及可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118265064A (zh) |
-
2024
- 2024-03-26 CN CN202410351650.4A patent/CN118265064A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10417083B2 (en) | Label rectification and classification/prediction for multivariate time series data | |
| CN113011979B (zh) | 交易检测方法、模型的训练方法、装置及计算机可读存储介质 | |
| CN111224805A (zh) | 一种网络故障根因检测方法、系统及存储介质 | |
| CN110414715B (zh) | 一种基于社团检测的客流量预警方法 | |
| CN116861331A (zh) | 一种融合专家模型决策的数据识别方法及系统 | |
| CN118133144A (zh) | 基于图神经网络的车辆故障诊断方法、装置、设备及介质 | |
| CN111340975A (zh) | 异常数据特征提取方法、装置、设备及存储介质 | |
| CN117458544B (zh) | 一种基于多类型储能资源动态聚合的优化协同调控方法 | |
| CN113177644B (zh) | 一种基于词嵌入和深度时序模型的自动建模系统 | |
| CN112232576B (zh) | 判决预测方法、装置、电子设备及可读存储介质 | |
| CN117313141A (zh) | 一种异常检测方法、装置、设备及可读存储介质 | |
| CN116595363A (zh) | 预测方法、装置、设备、存储介质和计算机程序产品 | |
| CN118265064A (zh) | 一种基站故障预测方法、装置及可读存储介质 | |
| CN113537607B (zh) | 停电预测方法 | |
| CN112256735B (zh) | 一种用电监测方法、装置、计算机设备和存储介质 | |
| CN114219118A (zh) | 一种d-s证据理论的智能电表寿命预测方法及系统 | |
| CN115209441A (zh) | 基站退服告警预测方法、装置、设备及存储介质 | |
| CN117113148B (zh) | 基于时序图神经网络的风险识别方法、装置及存储介质 | |
| CN118447459B (zh) | 基于深度学习的滑坡堆积体监控方法及系统 | |
| CN118569981B (zh) | 基于消费画像的用户还款风险预测方法及系统 | |
| CN117745423B (zh) | 一种异常账户的识别方法 | |
| CN118070134B (zh) | 一种园区内用户用电能耗预测方法及系统 | |
| CN117609911A (zh) | 传感设备的异常识别方法及装置 | |
| CN117877261A (zh) | 基于改进强健随机森林的交通异常数据异常检测方法 | |
| Ngoge et al. | CRIME PREDICTION AND MAPPING USING MACHINE LEARNING ALGORITHMS |
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 |