TWI696401B

TWI696401B - 基地台之障礙辨識伺服器及方法

Info

Publication number: TWI696401B
Application number: TW106144366A
Authority: TW
Inventors: 林宛儀; 林書鴻; 蘇文樹; 賴東祺; 趙欣杰
Original assignee: 中華電信股份有限公司
Priority date: 2017-12-18
Filing date: 2017-12-18
Publication date: 2020-06-11
Also published as: TW201929584A

Abstract

本發明提供一種基地台之障礙辨識伺服器及方法。在實施例中，取得這些基地台的效能指標。自這些效能指標中找出影響顯著的數個關鍵效能指標。依據這些關鍵效能指標而利用資料探勘演算法之分類模型辨識這些基地台是否為障礙設備。將辨識結果與實際情形比對以預測這些基地台的障礙風險。將實際情形為正常設備而辨識結果轉變成障礙設備的基地台列入預警高風險清單，再以不同視覺呈現方式表示不同基地台的對應待檢強度。藉此，能提供預先告警機制，讓相關人員事先檢視設備，以避免實際發生障礙，從而提升網路服務品質。

Description

基地台之障礙辨識伺服器及方法

本發明是有關於一種風險預測，且特別是有關於一種基地台之障礙辨識伺服器及方法。

行動網路架構多元且其所用技術演進快速，更何況網路設備(例如，局端設備、基地台、伺服器等)分佈各地，使得電信營運商對於設備之狀態檢測與維護不易。一般而言，電信營運商都是在網路設備實際發生障礙之後，才緊急派工維修作業。以此等作業模式不僅耗時，且設備維修期間亦可能會造成眾多用戶無法正常使用行動網路服務。

有鑑於此，本發明提供一種障礙辨識伺服器及方法，其能有效預測高障礙風險的基地台，讓電信營運商能預防性維護設備，以減少障礙發生機會。

本發明的障礙辨識方法，其適用於對數台基地台分析，而此障礙辨識方法包括下列步驟。取得這些基地台的效能指標。自這些效能指標中找出影響顯著的數個關鍵效能指標(Key Performance Indicators，KPI)。依據這些關鍵效能指標而利用資料探勘演算法之分類模型辨識這些基地台是否為障礙設備。將辨識結果與實際情形比對以預測這些基地台的障礙風險。而實際情形係這些基地台實際為障礙設備或正常設備，障礙風險的大小係基於辨識結果為障礙設備而實際情形係正常設備的轉變。

本發明的障礙辨識伺服器，其適用於對數台基地台分析，此障礙辨識伺服器包括輸入輸出單元及處理單元。輸入輸出單元取得這些基地台的效能指標。處理單元耦接輸入輸出單元，自這些效能指標中找出影響顯著的數個關鍵效能指標，依據這些關鍵效能指標而利用資料探勘演算法之分類模型辨識這些基地台是否為障礙設備，並將辨識結果與實際情形比對以預測這些基地台的障礙風險。而實際情形係這些基地台實際為障礙設備或正常設備，障礙風險的大小係基於辨識結果為障礙設備而實際情形係正常設備的轉變。

基於上述，由於基地台軟硬體障礙發生之前，關鍵效能指標通常會先降低，而本發明實施例即是透過資料探勘找出行動網路維運管理系統所過濾的障礙告警指標，在障礙發生之前提前預測基地台的障礙風險。藉此，能有效降低障礙發生機會，提升基地台維運效率。

為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。

圖1是依據本發明一實施例之通訊系統1的示意圖。請參照圖1，此通訊系統1包括障礙辨識伺服器100及終端裝置200。

障礙辨識伺服器100可以係電腦主機、伺服器、工作站等任何局端設備，並至少包括但不僅限於輸入輸出單元110及處理單元130。

輸入單元110可以係無線或有線通訊處理器(例如，支援藍芽、第4代行動通訊(4G)、Wi-Fi、光纖、RJ-45、乙太網路(Ethernet)等)、光碟機、匯流排介面等可接收或傳送各類型檔案(例如，維運管理資料、話務資料等)的輸入輸出單元。

處理單元130與輸入輸出單元110耦接，並可以是中央處理單元(CPU)，或是其他可程式化之一般用途或特殊用途的微處理器(Microprocessor)、數位信號處理器(DSP)、可程式化控制器、特殊應用積體電路(ASIC)或其他類似元件或上述元件的組合。在本發明實施例中，處理單元130用以執行障礙辨識伺服器1的所有作業。

終端裝置200可以係行動電話、平板電腦、筆記型電腦、桌上型電腦等裝置，並至少包括但不僅限於網路模組210、顯示螢幕230及處理單元250。

網路模組210可以係無線或有線通訊處理器(例如，支援藍芽、第4代行動通訊(4G)、Wi-Fi、光纖、乙太網路(Ethernet)等)，以連線至網際網路(Internet)或內部網路，從而取得來自障礙辨識伺服器100的資料。

顯示螢幕230可以係液晶顯示器(Liquid Crystal Display，LCD)、有機發光二極體(Organic Light Emitting Diode，OLED)顯示器等類型顯示器，並用以呈現畫面。

處理單元250耦接網路模組210及顯示螢幕230，而其實施態樣可參考處理單元130之說明，於此不再贅述。於本實施例中，處理單元250用以執行終端裝置的所有作業。

為了方便理解本發明的操作流程，以下將舉諸多實施例詳細說明。圖2是依據本發明一實施例說明一種基地台之障礙辨識方法之流程圖。請參照圖2，下文中，將搭配障礙辨識伺服器100及終端裝置200的各項元件及模組說明本發明實施例所述之方法。本方法的各個流程可依照實施情形而隨之調整，且並不僅限於此。

經擷取網路封包、用戶上傳或透過外部或內件儲存媒介(例如，隨身碟、光碟、外接硬碟等)而使輸入輸出單元110取得數千或數萬台基地台的維運管理資料(例如，基地台的效能指標(例如，存取失敗、設備無回應、電力情況)及其數值、基地台是否為障礙設備等)及話務資料(例如，數據與話務量、及訊務量等)(步驟S220)後，處理單元130即可存取此這些資料。

由於效能指標的數量可能數以千計，處理單元130會先自這些效能指標中找出影響顯著的數個關鍵效能指標(步驟S240)。於本實施例中，處理單元130會基於專家法則(例如，透過例如是第三代合作夥伴計畫(Third Generation Partnership Project，3GPP)標準TS 32.450所定義的關鍵效能指標(KPI)(以可存取性(accessibility)、保持性(retainability)、使用量(usage)、移動性(mobility)、整合性(integrity)作為分類)及行動網路維運管理系統中現場維運最常檢測的指標)篩選出較具代表性的網路服務效能指標(例如，50、80、97個等)，且排除基地台設備外部環境因素所導致之障礙(例如，市電障礙和區分公司傳輸障礙、電力設備障礙或其他因素)，以聚焦於找出軟硬體問題導致的障礙。

接著，處理單元130將這些效能指標挑選成為障礙資料集及正常資料集作為輸入，並利用降維(Dimensionality Reduction)演算法(例如，最小絕對壓縮挑選機制(Least Absolute Shrinkage and Selection Operator，LASSO)、主成份分析(Principal Components Analysis，PCA)、線性判別分析(Linear Discriminant Analysis，LDA)等)進一步縮減這些效能指標的數量(例如，縮減至5、6、8個)，以挑選出KPI(例如，細胞可用度(Cell_Availability)、通道服務效能指標(Channel Quality Indicator，CQI)、網路服務效能指標(Quality of Service，QoS)等)。其目的係找出障礙與正常資料集中，差異度顯著的KPI。即障礙發生時，低落之KPI。

以LASSO演算法為例，其透過某特定的處罰選取準則來限制迴歸參數值，選取適當的變數，其選取準則以下數學式(1)。

…(1) 以上數學式(1)中當λ趨近於∞時，參數估計值β部會受到限制，因此估計值會等於利用最小平方所估計出的值。但當λ調整到 0 時，則所有參數估計值均為 0。若將λ值放大，則與相關性較強的解釋變數其係數會改變而異於0。然而，與相關性較小的解釋變數，其對應的係數還是會維持在0。因此，透過判斷係數值是否為0決定選取障礙特徵值的標準。

處理單元130可以藉由驗證程序來確認挑選出的KPI。以決策樹(decision tree)演算法為例，處理單元130隨機選取訓練樣本集，首先建立各個訓練集，隨機選取分裂屬性集。假設共有p個屬性，指定一個屬性數p≤m，m係KPI的數目。在每個內部結點，從M個屬性中隨機抽取F個屬性作分裂屬性集，以這p個屬性上，最好的分裂方式對結點進行分裂。在整個決策的發展過程中，F的值一般維持不變，唯一常數。用於分類時，m之預設值最小為1；用於迴歸時，m預設為 p / 3，最小取5。因此，m是一個可調整的參數。綜合以上，處理單元130會決策出n個KPI(此n恆大於m)。處理單元130可隨機選擇n個KPI，並依據影響程度排序。

處理單元130依據這些關鍵效能指標而利用資料探勘演算法之分類模型(例如，人工類神經網路(Artificial Neural Network，ANN)、支援向量機(Support Vector Machine，SVM)、隨機森林(Random Forest)等)辨識這些基地台是否為障礙設備(步驟S260)。具體而言，處理單元130依據這些關鍵效能指標隨機選取多個正常及障礙樣本集，而這些樣本集對應的基地台已知實際情形(即，維運管理資料所回報此基地台當前實際為障礙設備或正常設備)，處理單元130再將這些樣本集輸入分類模型，以得出辨識結果係障礙設備或正常設備。現有分類模組辨識準確率已經能接近百分之百，利用高辨識率的功效將能作為障礙發生時的效能指標參考。

雖然KPI已找出，但由於障礙告警指標有90%會被排除，且障礙告警指標為派工單之依據，因此配合被濾除之障礙告警指標中之關鍵資訊，將能有效輔助預測判斷。而本發明實施例之處理單元130將辨識結果與實際情形比對以預測這些基地台的障礙風險(步驟S280)，此障礙風險的大小係基於辨識結果為障礙設備而實際情形係正常設備的轉變。具體而言，假設某一待檢測基地台的實際情形是正常設備，但步驟S260的辨識結果卻轉變為障礙設備，表示此待檢測基地台符合障礙特徵，但尚未被障礙派工機制辨識出來或可能未來即將發生障礙，處理單元130將會計算此待檢測基地台的關鍵效能指標差異以作為障礙風險之數值。計算障礙風險之數值可參考公式(2)：

…(2) 此KPI_i 正常值是事先已記錄的或是透過機器學習演算法所推論的，而KPI_i 實際值則是步驟S220所取得記錄於維運管理資料(效能指標的數值)，二者相減即為關鍵效能指標差異。

為了將障礙風險之數值轉換成較容易檢視的模式，請參照圖3，處理單元130先取得障礙風險之數值(步驟S310)，並依據待檢測基地台的數據與話務量、及訊務量對關鍵效能指標差異進行加權計算，以得出此待檢測基地台的待檢強度(步驟S320)。計算待檢強度之數值可參考公式(3)：

…(3) W1係依據數據與話務量、及訊務量所決定的加權值。

而為了讓維運人員或現場人員即時得知作為告警內容的預測結果，處理單元130透過輸入輸出單元110發送這些待檢測基地台的待檢強度。終端裝置200的處理單元250依據待檢強度之大小進行分類，設置三個不同門檻值以將待檢強度分成極高(步驟S321)、高(步驟S323)、一般(步驟S325)及低(步驟S327)，再控制顯示螢幕230依據待檢強度之大小以不同視覺化方式呈現(步驟S330)。例如，待檢強度極高為紅色、高為橘色之類，或者極高為最大圖示、高為次之。處理單元250亦可依據待檢強度之大小進行優先排序，並透過顯示螢幕230呈現排序結果(步驟S340)，以方面使用者能優先處理待檢強度極高的基地台。此外，處理單元250還會依據終端裝置200的當前位置動態更新顯示螢幕230所呈現周圍的基地台。

綜上所述，本發明實施例係先挖掘出障礙發生時受影響顯著的KPI，再透過分類模型預測可能成為障礙設備的待檢測基地台(實際情形是正常設備，但辨識結果是障礙設備)，以找出被濾除之障礙告警指標，並對這些待檢測基地台分析其障礙風險。為了方便維運人員檢視，障礙風險分類成不同程度之待檢強度，再透過不同視覺化呈現。本發明實施例改變過去設備障礙維修規則，由被動轉為主動，進行預防性維護，從而提升網路服務品質。

雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。

1‧‧‧通訊系統100‧‧‧障礙辨識伺服器110‧‧‧輸入輸出單元130‧‧‧處理單元200‧‧‧終端裝置210‧‧‧網路模組230‧‧‧顯示螢幕250‧‧‧處理單元S220~S280、S310~S340‧‧‧步驟

圖1是依據本發明一實施例之通訊系統的示意圖。圖2是依據本發明一實施例之障礙辨識方法的流程圖。圖3是依據本發明一實施例之告警呈現的流程圖。

S220~S280‧‧‧步驟

Claims

一種障礙辨識方法，適用於對多個基地台分析，該障礙辨識方法包括：取得該些基地台的多個效能指標；自該些效能指標中找出影響顯著的多個關鍵效能指標(Key Performance Indicators，KPI)；依據該些關鍵效能指標而利用資料探勘演算法之分類模型辨識該些基地台是否為一障礙設備；以及將辨識結果與一實際情形比對以預測該些基地台的障礙風險，其中該實際情形係該些基地台實際為該障礙設備或一正常設備，而該障礙風險的大小係基於該辨識結果為該障礙設備而該實際情形係該正常設備的轉變，其中將辨識結果與該實際情形比對以預測該些基地台的障礙風險的步驟，包括：若該些基地台的一待檢測基地台的比對結果係該辨識結果為該障礙設備而該實際情形係該正常設備的轉變，則計算該待檢測基地台的關鍵效能指標差異以作為該障礙風險之數值。
如申請專利範圍第1項所述的障礙辨識方法，其中依據該些關鍵效能指標而利用資料探勘演算法之分類模型辨識該些基地台是否為該障礙設備的步驟，包括：依據該些關鍵效能指標隨機選取多個樣本集，其中該些樣本集對應的基地台已知該實際情形；以及將該些樣本集輸入該分類模型，以得出該辨識結果係該障礙設備或該正常設備。
如申請專利範圍第1項所述的障礙辨識方法，其中計算該待檢測基地台的關鍵效能指標差異以作為該障礙風險之數值之後，更包括：依據該待檢測基地台的數據與話務量、及訊務量對該關鍵效能指標差異進行加權計算，以得出該待檢測基地台的待檢強度；以及依據該待檢強度之大小以不同視覺化方式呈現。
如申請專利範圍第1項所述的障礙辨識方法，其中自該些效能指標中找出影響顯著的該些關鍵效能指標的步驟包括：利用一降維(Dimensionality Reduction)演算法縮減該些效能指標的數量，以挑選出該些關鍵效能指標。
一種障礙辨識伺服器，適用於對多個基地台分析，該障礙辨識伺服器包括：一輸入輸出單元，取得該些基地台的多個效能指標；以及一處理單元，耦接該輸入輸出單元，自該些效能指標中找出影響顯著的多個關鍵效能指標，依據該些關鍵效能指標而利用資料探勘演算法之分類模型辨識該些基地台是否為一障礙設備，並將辨識結果與一實際情形比對以預測該些基地台的障礙風險，其中該實際情形係該些基地台實際為該障礙設備或一正常設備，而該障礙風險的大小係基於該辨識結果為該障礙設備而該實際情形係該正常設備的轉變，其中若該些基地台的一待檢測基地台的比對結果係該辨識結果為該障礙設備而該實際情形係該正常設備的轉變，則該處理單元計算該待檢測基地台的關鍵效能指標差異以作為該障礙風險之數值。
如申請專利範圍第5項所述的障礙辨識伺服器，其中該處理單元依據該些關鍵效能指標隨機選取多個樣本集，將該些樣本集輸入該分類模型，以得出該辨識結果係該障礙設備或該正常設備，而該些樣本集對應的基地台已知該實際情形。
如申請專利範圍第5項所述的障礙辨識伺服器，其中該處理單元依據該待檢測基地台的數據與話務量、及訊務量對該關鍵效能指標差異進行加權計算，以得出該待檢測基地台的待檢強度，透過該輸入輸出單元發送該待檢強度，並藉由一終端裝置依據該待檢強度之大小以不同視覺化方式呈現。
如申請專利範圍第5項所述的障礙辨識伺服器，其中該處理單元利用一降維演算法縮減該些效能指標的數量，以挑選出該些關鍵效能指標。