TWI775264B - 設備障礙預測方法及系統 - Google Patents

設備障礙預測方法及系統 Download PDF

Info

Publication number
TWI775264B
TWI775264B TW110100053A TW110100053A TWI775264B TW I775264 B TWI775264 B TW I775264B TW 110100053 A TW110100053 A TW 110100053A TW 110100053 A TW110100053 A TW 110100053A TW I775264 B TWI775264 B TW I775264B
Authority
TW
Taiwan
Prior art keywords
signal
alarm
signals
alarm signal
encoded
Prior art date
Application number
TW110100053A
Other languages
English (en)
Other versions
TW202231044A (zh
Inventor
涂耀中
趙欣杰
許長裕
Original Assignee
中華電信股份有限公司
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 中華電信股份有限公司 filed Critical 中華電信股份有限公司
Priority to TW110100053A priority Critical patent/TWI775264B/zh
Publication of TW202231044A publication Critical patent/TW202231044A/zh
Application granted granted Critical
Publication of TWI775264B publication Critical patent/TWI775264B/zh

Links

Images

Landscapes

  • Alarm Systems (AREA)
  • Control Of Steam Boilers And Waste-Gas Boilers (AREA)
  • Jib Cranes (AREA)
  • Paper (AREA)

Abstract

本發明提供一種設備障礙預測方法及系統。所述方法包括：收集網路設備的連續N個特定告警訊號，其中各特定告警訊號具有時間戳記及告警類型；基於各特定告警訊號的告警類型及各特定告警訊號與對應的先前告警訊號之間的時間間隔將所述多個特定告警訊號編碼為多個第一編碼訊號，其中所述多個第一編碼訊號經分類為多個訊號類別；基於各第一編碼訊號對應的訊號類別將所述多個第一編碼訊號轉換為多個第二編碼訊號；將所述多個第二編碼訊號轉換為多個特徵向量；以及基於所述多個特徵向量預測網路設備在預設時間內發生障礙的障礙機率。

Description

設備障礙預測方法及系統
本發明是有關於一種障礙預測方法及系統，且特別是有關於一種設備障礙預測方法及系統。
在現代生活中，網路服務已是人們生活中不可或缺的一部分。由於網路服務的品質與網路設備的運作狀況息息相關，因此當網路設備出現障礙時，將相應地影響使用者對於網路服務的體驗。並且，在網路設備出現障礙後，營運商一般還需指派維運人員前往進行修復，進而產生相關的人力成本。
因此，對於本領域技術人員而言，若能有效地預測網路設備出現障礙的情形，應能讓維運人員預先採取相關的處理手段，從而降低網路設備發生障礙的情形並提升行動網路的通訊品質。
有鑑於此，本發明提供一種設備障礙預測方法及系統，其可用於解決上述技術問題。
本發明提供一種設備障礙預測方法，包括：收集一網路設備的連續N個特定告警訊號，其中各特定告警訊號具有一時間戳記及一告警類型；基於各特定告警訊號的告警類型及各特定告警訊號與對應的一先前告警訊號之間的時間間隔將所述多個特定告警訊號編碼為多個第一編碼訊號，其中所述多個第一編碼訊號經分類為多個訊號類別；基於各第一編碼訊號對應的訊號類別將所述多個第一編碼訊號轉換為多個第二編碼訊號；將所述多個第二編碼訊號轉換為多個特徵向量；以及基於所述多個特徵向量預測網路設備在一預設時間內發生障礙的一障礙機率。
本發明提供一種設備障礙預測系統，其包括儲存電路及處理器。儲存電路儲存一程式碼。處理器耦接儲存電路，存取程式碼以執行下列步驟：收集一網路設備的連續N個特定告警訊號，其中各特定告警訊號具有一時間戳記及一告警類型；基於各特定告警訊號的告警類型及各特定告警訊號與對應的一先前告警訊號之間的時間間隔將所述多個特定告警訊號編碼為多個第一編碼訊號，其中所述多個第一編碼訊號經分類為多個訊號類別；基於各第一編碼訊號對應的訊號類別將所述多個第一編碼訊號轉換為多個第二編碼訊號；將所述多個第二編碼訊號轉換為多個特徵向量；以及基於所述多個特徵向量預測網路設備在一預設時間內發生障礙的一障礙機率。
請參照圖1，其是依據本發明之一實施例繪示的設備障礙預測系統示意圖。在不同的實施例中，設備障礙預測系統100例如是可用於管理多台網路設備11~1Q的伺服器、電腦裝置或各式智慧型裝置，但可不限於此。在一些實施例中，設備障礙預測系統100可收集各網路設備11~1Q所回報的告警訊號，並據以預測各網路設備11~1Q日後發生障礙的機率，進而作為維運人員的參考依據。相關細節將在之後詳述。
在圖1中，設備障礙預測系統100可包括儲存電路102及處理器104。儲存電路102例如是任意型式的固定式或可移動式隨機存取記憶體（Random Access Memory，RAM）、唯讀記憶體（Read-Only Memory，ROM）、快閃記憶體（Flash memory）、硬碟或其他類似裝置或這些裝置的組合，而可用以記錄多個程式碼或模組。
處理器104耦接於儲存電路102，並可為一般用途處理器、特殊用途處理器、傳統的處理器、數位訊號處理器、多個微處理器（microprocessor）、一個或多個結合數位訊號處理器核心的微處理器、控制器、微控制器、特殊應用積體電路（Application Specific Integrated Circuit，ASIC）、現場可程式閘陣列電路（Field Programmable Gate Array，FPGA）、任何其他種類的積體電路、狀態機、基於進階精簡指令集機器（Advanced RISC Machine，ARM）的處理器以及類似品。
在本發明的實施例中，處理器104可存取儲存電路102中記錄的模組、程式碼來實現本發明提出的設備障礙預測方法，其細節詳述如下。
請參照圖2，其是依據本發明之一實施例繪示的設備障礙預測方法流程圖。本實施例的方法可由圖1的設備障礙預測系統100執行，以下即搭配圖1所示的元件說明圖2各步驟的細節。
首先，在步驟S210中，處理器104可收集網路設備的連續N個特定告警訊號。在本發明的實施例中，處理器104可對各網路設備11~1Q執行相同或相似的操作，故以下將僅以網路設備11為例進行說明，但本發明可不限於此。
在一實施例中，網路設備11可能在運作的過程中不時地出現告警訊號，而網路設備11例如可將各告警訊號的時間戳記及告警類型發送至設備障礙預測系統100。在本發明的實施例中，假設可能發生於網路設備11上的告警訊號共可分為A、B、C等3種告警類型，則設備障礙預測系統100所收集到的網路設備11的告警訊號例如可具有下表1所例示的內容。
告警訊號 時間戳記 告警類型
Figure 02_image001
 2019/2/14 01:03 A
Figure 02_image003
 2019/2/14 01:57 B
Figure 02_image005
 2019/2/14 02:56 C
Figure 02_image007
 2019/2/15 03:03 A
… … …
表1
在表1中，
Figure 02_image009
例如是來自網路設備11的第j個告警訊號，其對應的時間戳記例如是所述第j個告警訊號出現的時間點，但可不限於此。舉例而言，
Figure 02_image001
例如是發生於「2019/2/14 01:03」且屬於告警類型A的告警訊號，而
Figure 02_image003
例如是發生於「2019/2/14 01:57」且屬於告警類型B的告警訊號。其餘告警訊號的出現時間及對應的告警類型應可依據上述教示推得，於此不另贅述。
在步驟S210中，處理器104所取得的連續N個特定告警訊號例如是上述告警訊號中的其中連續N個。在本發明的實施例中，所述N個特定告警訊號例如是上述告警訊號中的第i個告警訊號至第(i+N-1)個告警訊號，亦即
Figure 02_image011
~
Figure 02_image013
，但可不限於此。
之後，在步驟S220中，處理器104可基於各特定告警訊號的告警類型及各特定告警訊號與對應的先前告警訊號之間的時間間隔將所述多個特定告警訊號編碼為多個第一編碼訊號。
在一實施例中，對於網路設備11的第j個告警訊號（即，
Figure 02_image009
）而言，處理器104可取得網路設備11的第(j-k)個告警訊號（即，
Figure 02_image015
）作為對應的先前告警訊號。之後，處理器104可基於所述第j個告警訊號的告警類型及所述第(j-k)個告警訊號與所述第j個告警訊號之間的時間間隔將所述第j個告警訊號編碼為對應的第一編碼訊號，其中
Figure 02_image017
。
為便於說明，以下將假設N為7，但其僅用以舉例，並非用以限定本發明可能的實施方式。在其他實施例中，設計者可依需求而選定任意值來實現N。在N為7的情況下，處理器104所取得的連續N個特定告警訊號（即，
Figure 02_image011
~
Figure 02_image019
）可如下表2所例示。
告警訊號 時間戳記 告警類型
Figure 02_image011
 2019/2/14 01:03 A
Figure 02_image021
 2019/2/14 01:57 B
Figure 02_image023
 2019/2/14 02:56 C
Figure 02_image025
 2019/2/15 03:03 A
Figure 02_image027
 2019/2/15 03:20 A
Figure 02_image029
 2019/2/15 05:20 B
Figure 02_image019
 2019/2/15 08:21 C
表2
在一實施例中，所述第j個告警訊號（即，
Figure 02_image009
）的告警類型可表徵為
Figure 02_image031
（其例如是A、B、C的其中之一），所述第(j-k)個告警訊號（即，
Figure 02_image015
）與所述第j個告警訊號之間的時間間隔表徵為D，且對應所述第j個告警訊號的第一編碼訊號可經表徵為「D
Figure 02_image031
」的形式。
在一實施例中，D例如是將上述時間間隔以無條件進位後表示的整數時間單位（例如小時）。舉例而言，假設
Figure 02_image009
與
Figure 02_image015
之間的時間間隔為0.4小時，且
Figure 02_image031
為A，則對應於
Figure 02_image009
的第一編碼訊號例如可表徵為「1A」。舉另一例而言，假設
Figure 02_image009
與
Figure 02_image015
之間的時間間隔為2.8小時，且
Figure 02_image031
為B，則對應於
Figure 02_image009
的第一編碼訊號例如可表徵為「3B」。此外，假設
Figure 02_image009
與
Figure 02_image015
之間的時間間隔為3.5小時，且
Figure 02_image031
為C，則對應於
Figure 02_image009
的第一編碼訊號例如可表徵為「4C」，但本發明可不限於此。
為便於說明，以下假設所考慮的k值為1，但其僅用以舉例，並非用以限定本發明可能的實施方式。在其他實施例中，設計者可依需求而選定任意值來實現k。
基此，對於
Figure 02_image011
（即，j等於i的情況）而言，處理器104可取得網路設備11的第(i-1)個告警訊號（即，
Figure 02_image033
），並取得
Figure 02_image011
與
Figure 02_image033
之間的時間間隔。在本發明的實施例中，假設
Figure 02_image011
與
Figure 02_image033
之間的時間間隔對應的D值為1，則處理器104可相應地將告警類型為A的
Figure 02_image011
編碼為「1A」。亦即，對應於
Figure 02_image011
的第一編碼訊號為「1A」。
另外，對於
Figure 02_image021
（即，j等於(i+1)的情況）而言，處理器104可取得網路設備11的第i（即，j-1）個告警訊號（即，
Figure 02_image011
），並取得
Figure 02_image021
與
Figure 02_image011
之間的時間間隔。依表2內容，由於
Figure 02_image021
與
Figure 02_image011
之間的時間間隔為1小時內，故其對應的D值例如為1。在此情況下，則處理器104可相應地將告警類型為B的
Figure 02_image021
編碼為「1B」。亦即，對應於
Figure 02_image021
的第一編碼訊號為「1B」。
舉另一例而言，對於
Figure 02_image029
（即，j等於(i+5)的情況）而言，處理器104可取得網路設備11的第i+4（即，j-1）個告警訊號（即，
Figure 02_image027
），並取得
Figure 02_image029
與
Figure 02_image027
之間的時間間隔。依表2內容，由於
Figure 02_image029
與
Figure 02_image027
之間的時間間隔介於1小時至2小時間，故其對應的D值例如為2。在此情況下，則處理器104可相應地將告警類型為B的
Figure 02_image029
編碼為「2B」。亦即，對應於
Figure 02_image029
的第一編碼訊號為「2B」。
依據上述教示，所述N個特定告警訊號個別對應的第一編碼訊號可如下表3所例示。
告警訊號 時間戳記 告警類型 第一編碼訊號
Figure 02_image011
 2019/2/14 01:03 A 1A
Figure 02_image021
 2019/2/14 01:57 B 1B
Figure 02_image023
 2019/2/14 02:56 C 1C
Figure 02_image025
 2019/2/15 03:03 A 1A
Figure 02_image027
 2019/2/15 03:20 A 1A
Figure 02_image029
 2019/2/15 05:20 B 2B
Figure 02_image019
 2019/2/15 08:21 C 3C
表3
在表3中，所示的多個第一編碼訊號可經分類為5個訊號類別，例如1A、1B、2B、1C、3C。之後，在步驟S230中，處理器104可基於各第一編碼訊號對應的訊號類別將所述多個第一編碼訊號轉換為多個第二編碼訊號。
在一實施例中，若上述訊號類別的數量為M，則各第二編碼訊號例如是長度為M的獨熱（one-hot）訊號。並且，對應於相同訊號類別的第一編碼訊號可對應於相同的第二編碼訊號。
在表3中，由於訊號類別的數量為5（即，M為5），故各第二編碼訊號例如是長度為5個位元的獨熱訊號，而表3中各第一編碼訊號對應的第二編碼訊號可如下表4所例示。
告警訊號 告警類型 第一編碼訊號 第二編碼訊號
Figure 02_image011
 A 1A 00001
Figure 02_image021
 B 1B 00010
Figure 02_image023
 C 1C 01000
Figure 02_image025
 A 1A 00001
Figure 02_image027
 A 1A 00001
Figure 02_image029
 B 2B 00100
Figure 02_image019
 C 3C 10000
表4
如表4所示，對應於訊號類別「1A」的
Figure 02_image011
、
Figure 02_image025
及
Figure 02_image027
的第一編碼訊號皆對應於第二編碼訊號「00001」；對應於訊號類別「1B」的
Figure 02_image021
的第一編碼訊號對應於第二編碼訊號「00010」；對應於訊號類別「1C」的
Figure 02_image023
的第一編碼訊號對應於第二編碼訊號「01000」；對應於訊號類別「2B」的
Figure 02_image029
的第一編碼訊號對應於第二編碼訊號「00100」；對應於訊號類別「3C」的
Figure 02_image019
的第一編碼訊號對應於第二編碼訊號「10000」，但本發明可不限於此。
在其他實施例中，設計者可依需求選擇將各第一編碼訊號轉換為對應的第二編碼訊號的方式，並不限於以上教示的方式。例如，對應於訊號類別「1A」的
Figure 02_image011
、
Figure 02_image025
及
Figure 02_image027
的第一編碼訊號皆對應於第二編碼訊號「000」；對應於訊號類別「1B」的
Figure 02_image021
的第一編碼訊號對應於第二編碼訊號「001」；對應於訊號類別「1C」的
Figure 02_image023
的第一編碼訊號對應於第二編碼訊號「010」；對應於訊號類別「2B」的
Figure 02_image029
的第一編碼訊號對應於第二編碼訊號「011」；對應於訊號類別「3C」的
Figure 02_image019
的第一編碼訊號對應於第二編碼訊號「100」，但本發明可不限於此。
接著，在步驟S240中，處理器104可將所述多個第二編碼訊號轉換為多個特徵向量。在一實施例中，處理器104可將所述多個第二編碼訊號輸入至一類神經網路，其中此類神經網路因應於這些第二編碼訊號產生上述特徵向量。在不同的實施例中，上述類神經網路例如是一卷積神經網路或其他設計者所需的神經網路，但可不限於此。在一實施例中，上述第二編碼訊號對應的特徵向量可如下表5所例示。
告警訊號 第二編碼訊號 特徵向量
Figure 02_image011
 00001 [0.89 0.78 0.5 0.11 0.35]
Figure 02_image021
 00010 [0.92 0.66 0.13 0.16 0.1]
Figure 02_image023
 01000 [0.88 0.82 0.21 0.03 0.21]
Figure 02_image025
 00001 [0.89 0.78 0.5 0.11 0.35]
Figure 02_image027
 00001 [0.89 0.78 0.5 0.11 0.35]
Figure 02_image029
 00100 [0.24 0.66 0.68 0.24 0.45]
Figure 02_image019
 10000 [0.12 0.56 0.72 0.3 0.6]
表5
之後，在步驟S250中，處理器104可基於所述多個特徵向量預測網路設備11在預設時間內發生障礙的障礙機率。在一實施例中，處理器104可將上述特徵向量輸入至一機器學習模型，其中所述機器學習模型可因應於上述特徵向量而輸出上述障礙機率。在不同的實施例中，所述機器學習模型例如是支持向量機（support vector machine，SVM）、隨機森林（random forest）模型或其他設計者所需的模型，但可不限於此。
在一些實施例中，所述預設時間可依設計者的需求而在所述機器學習模型的訓練過程中設定。為便於說明，以下假設所述預設時間為1天，但本發明可不限於此。
在所述機器學習模型的訓練過程中，處理器104例如可取得網路設備11的連續N個歷史告警訊號，並將這些歷史告警訊號經由步驟S220~S240所教示的操作而轉換為對應的N個歷史特徵向量。之後，處理器104可將此N個歷史特徵向量輸入至所述機器學習模型，以由此機器學習模型因應於此N個歷史特徵向量而預測網路設備11在預設時間（即，1天）內出現障礙的機率。之後，處理器104可取得網路設備11在預設時間（即，1天）內實際出現障礙的情形來決定此機器學習模型的預測準確度，進而據以更新所述機器學習模型的各種參數。
在重複上述過程之後，此機器學習模型所預測的障礙機率應可漸趨準確。
因此，當處理器104在步驟S250中將表5的各特徵向量輸入至上述機器學習模型時，此機器學習模型所預測的網路設備11在預設時間（例如1天）內發生障礙的障礙機率可供相關維運人員作為參考。藉此，可讓維運人員預先採取相關的應對措施，從而降低因網路設備11出現障礙而導致影響用戶體驗的機率。
綜上所述，本發明可透過將網路設備的各特定告警訊號轉換為對應的第一、第二編碼訊號的方式來表示各特定告警訊號的時間特性。並且，本發明可再以類神經網路對各特定告警訊號的第二編碼訊號以對應的特徵向量表示，使不同的特定告警訊號能在空間中以距離展現不同程度的關聯性。之後，透過將各特定告警訊號對應的特徵向量輸入至經訓練的機器學習模型的方式，可讓此機器學習模型預測網路設備在預設時間內發生障礙的障礙機率。藉此，可達到提升行動網路通訊品質，降低網路設備障礙發生機率，減少網路服務中斷後，派工修復所需的人力成本等效果。
從另一觀點而言，由於網路設備的告警訊號為離散訊號，因此告警訊號發生的時間間隔，和發生的頻率、順序皆有參考意義。本發明透過數次編碼轉換，將網路設備的特定告警訊號轉換為特徵向量，使之含有時間和空間上的意義，再透過機器學習模型預測網路設備在預設時間內發生障礙的障礙機率。藉此，可讓維運人員預先採取相關的應對措施，從而降低因網路設備出現障礙而導致影響用戶體驗的機率。
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。
100:設備障礙預測系統 102:儲存電路 104:處理器 S210~S250:步驟
圖1是依據本發明之一實施例繪示的設備障礙預測系統示意圖。 圖2是依據本發明之一實施例繪示的設備障礙預測方法流程圖。
S210~S250:步驟

Claims (7)

  1. 一種設備障礙預測方法，包括：收集一網路設備的連續N個特定告警訊號，其中各該特定告警訊號具有一時間戳記及一告警類型；基於各該特定告警訊號的該告警類型及各該特定告警訊號與對應的一先前告警訊號之間的時間間隔將該些特定告警訊號編碼為多個第一編碼訊號，其中該些第一編碼訊號經分類為多個訊號類別；基於各該第一編碼訊號對應的該訊號類別將該些第一編碼訊號轉換為多個第二編碼訊號；將該些第二編碼訊號轉換為多個特徵向量；以及基於該些特徵向量預測該網路設備在一預設時間內發生障礙的一障礙機率，其中基於各該特定告警訊號的該告警類型及各該特定告警訊號與對應的該先前告警訊號之間的時間間隔將該些特定告警訊號編碼為該些第一編碼訊號的步驟包括：對於該網路設備的所述連續N個特定告警訊號中的第一告警訊號而言，取得該網路設備的所述連續N個特定告警訊號中的第二告警訊號作為該先前告警訊號，並基於所述第一告警訊號的該告警類型及所述第二告警訊號與所述第一告警訊號之間的時間間隔將所述第一告警訊號編碼為對應的該第一編碼訊號，其中所述第二告警訊號的該時間戳記所對應的時間早於所述第一告警訊號 的該時間戳記所對應的時間。
  2. 如請求項1所述的方法，其中所述第一告警訊號的該告警類型表徵為
    Figure 110100053-A0305-02-0017-1
    ，所述第二告警訊號與所述第一告警訊號之間的時間間隔表徵為D，且對應所述第一告警訊號的該第一編碼訊號經表徵為
    Figure 110100053-A0305-02-0017-2
    。
  3. 如請求項1所述的方法，其中對應於相同訊號類別的該些第一編碼訊號對應於相同的該第二編碼訊號。
  4. 如請求項3所述的方法，其中該些訊號類別的數量為M，各該第二編碼訊號為長度為M的一獨熱訊號。
  5. 如請求項1所述的方法，其中將該些第二編碼訊號轉換為該些特徵向量的步驟包括：將該些第二編碼訊號輸入至一類神經網路，以由該類神經網路因應於該些第二編碼訊號產生該些特徵向量。
  6. 如請求項1所述的方法，其中基於該些特徵向量預測該網路設備在該預設時間內發生障礙的該障礙機率的步驟包括：將該些特徵向量輸入至一機器學習模型，其中該機器學習模型因應於該些特徵向量而輸出該障礙機率。
  7. 一種設備障礙預測系統，包括：一儲存電路，儲存一程式碼；以及一處理器，耦接該儲存電路，存取該程式碼以執行下列步驟：收集一網路設備的連續N個特定告警訊號，其中各該特定告警訊號具有一時間戳記及一告警類型； 基於各該特定告警訊號的該告警類型及各該特定告警訊號與對應的一先前告警訊號之間的時間間隔將該些特定告警訊號編碼為多個第一編碼訊號，其中該些第一編碼訊號經分類為多個訊號類別；基於各該第一編碼訊號對應的該訊號類別將該些第一編碼訊號轉換為多個第二編碼訊號；將該些第二編碼訊號轉換為多個特徵向量；以及基於該些特徵向量預測該網路設備在一預設時間內發生障礙的一障礙機率，其中基於各該特定告警訊號的該告警類型及各該特定告警訊號與對應的該先前告警訊號之間的時間間隔將該些特定告警訊號編碼為該些第一編碼訊號的步驟包括：對於該網路設備的所述連續N個特定告警訊號中的第一告警訊號而言，取得該網路設備的所述連續N個特定告警訊號中的第二告警訊號作為該先前告警訊號，並基於所述第一告警訊號的該告警類型及所述第二告警訊號與所述第一告警訊號之間的時間間隔將所述第一告警訊號編碼為對應的該第一編碼訊號，其中所述第二告警訊號的該時間戳記所對應的時間早於所述第一告警訊號的該時間戳記所對應的時間。
TW110100053A 2021-01-04 2021-01-04 設備障礙預測方法及系統 TWI775264B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW110100053A TWI775264B (zh) 2021-01-04 2021-01-04 設備障礙預測方法及系統

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW110100053A TWI775264B (zh) 2021-01-04 2021-01-04 設備障礙預測方法及系統

Publications (2)

Publication Number Publication Date
TW202231044A TW202231044A (zh) 2022-08-01
TWI775264B true TWI775264B (zh) 2022-08-21

Family

ID=83782458

Family Applications (1)

Application Number Title Priority Date Filing Date
TW110100053A TWI775264B (zh) 2021-01-04 2021-01-04 設備障礙預測方法及系統

Country Status (1)

Country Link
TW (1) TWI775264B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI423620B (zh) * 2010-01-13 2014-01-11 Chunghwa Telecom Co Ltd Analysis Method of Service Quality Deterioration
TWI524724B (zh) * 2012-05-07 2016-03-01 Chunghwa Telecom Co Ltd Telecommunication network alarm correlation analysis method
US20170019315A1 (en) * 2015-07-15 2017-01-19 TUPL, Inc. Automatic customer complaint resolution
CN107196804A (zh) * 2017-06-01 2017-09-22 国网山东省电力公司信息通信公司 电力系统终端通信接入网告警集中监控系统及方法
US20180248905A1 (en) * 2017-02-24 2018-08-30 Ciena Corporation Systems and methods to detect abnormal behavior in networks

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI423620B (zh) * 2010-01-13 2014-01-11 Chunghwa Telecom Co Ltd Analysis Method of Service Quality Deterioration
TWI524724B (zh) * 2012-05-07 2016-03-01 Chunghwa Telecom Co Ltd Telecommunication network alarm correlation analysis method
US20170019315A1 (en) * 2015-07-15 2017-01-19 TUPL, Inc. Automatic customer complaint resolution
US20180248905A1 (en) * 2017-02-24 2018-08-30 Ciena Corporation Systems and methods to detect abnormal behavior in networks
CN107196804A (zh) * 2017-06-01 2017-09-22 国网山东省电力公司信息通信公司 电力系统终端通信接入网告警集中监控系统及方法

Also Published As

Publication number Publication date
TW202231044A (zh) 2022-08-01

Similar Documents

Publication Publication Date Title
CN106685674B (zh) 网络事件预测以及建立网络事件预测模型的方法和装置
CN109660419B (zh) 预测网络设备异常的方法、装置、设备及存储介质
CN114168444B (zh) 一种基于监控大数据的动态运维报修方法
CN110390425A (zh) 预测方法以及装置
CN109933852B (zh) 预测车辆尺寸偏差的方法、装置、存储介质及电子设备
CN110942086A (zh) 数据预测优化方法、装置、设备及可读存储介质
US11337087B2 (en) Methods, systems and computer readable media for predicting risk in network elements using machine learning
US11205111B2 (en) End of period metric projection with intra-period alerts
WO2024065988A1 (zh) 设备监测方法和系统、电子设备、存储介质
CN115562225A (zh) 工业机器人运维管理方法、装置、计算机设备和存储介质
US20180196900A1 (en) System and Method for Forecasting Values of a Time Series
CN109586954A (zh) 一种网络流量预测方法、装置及电子设备
CN112270429A (zh) 基于云边协同的动力电池极片制造设备维护方法和系统
CN116070802A (zh) 一种基于数据孪生的智能监控运维方法和系统
CN113342474A (zh) 客户流量的预测、模型训练的方法、设备及存储介质
CN113486583B (zh) 设备的健康评估方法、装置、计算机设备及计算机可读存储介质
CN111835536B (zh) 一种流量预测方法和装置
CN114333335A (zh) 基于轨迹数据的车道级交通状态估计方法、装置及系统
TWI775264B (zh) 設備障礙預測方法及系統
CN104937613A (zh) 量化数据质量的探试
CN112836843B (zh) 一种基站退服告警预测方法及装置
CN112365156A (zh) 一种数据处理方法、数据处理装置、终端及存储介质
CN108248641A (zh) 一种城市轨道交通数据处理方法及装置
CN110764975B (zh) 设备性能的预警方法、装置及监控设备
CN114157486B (zh) 通信流量数据异常检测方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
GD4A Issue of patent certificate for granted invention patent