CN112836843A - 一种基站退服告警预测方法及装置 - Google Patents
一种基站退服告警预测方法及装置 Download PDFInfo
- Publication number
- CN112836843A CN112836843A CN201911168434.1A CN201911168434A CN112836843A CN 112836843 A CN112836843 A CN 112836843A CN 201911168434 A CN201911168434 A CN 201911168434A CN 112836843 A CN112836843 A CN 112836843A
- Authority
- CN
- China
- Prior art keywords
- base station
- data
- weather information
- service
- neural network
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013528 artificial neural network Methods 0.000 claims abstract description 50
- 230000000306 recurrent effect Effects 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims description 40
- 238000012544 monitoring process Methods 0.000 claims description 21
- 238000004590 computer program Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 abstract description 17
- 238000007726 management method Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 125000004122 cyclic group Chemical group 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008034 disappearance Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000002360 preparation method Methods 0.000 description 3
- 238000013024 troubleshooting Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明实施例提供一种基站退服告警预测方法及装置,所述方法包括:获取基站特征数据和基站所在区域的天气信息数据;输入所述基站特征数据和所述天气信息数据至预设基站退服告警预测模型,并将所述预设基站退服告警预测模型的输出结果作为基站退服告警预测结果;其中,所述预设基站退服告警预测模型采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络得到。所述装置执行上述方法。本发明实施例提供的基站退服告警预测方法及装置,能够提前、准确、高效地进行基站退服告警预测,进而提升网络运维的效率和质量。
Description
技术领域
本发明涉及网络运维技术领域,尤其涉及一种基站退服告警预测方法及装置。
背景技术
网络运维故障排查是网络运维的主要工作内容,其中,最核心的工作就是对基站退服告警进行排查。
目前采用的网络运维故障排查技术手段主要为当基站发生退服告警后,采用的被动应对方案,进而再依靠运维人员的人工经验和设备手册进行根因分析和处理。由于,上述技术手段处于基站退服告警发生、基站停止服务后,导致在此之后的一段时段内,用户无法正常访问网络。因此,需要***基站退服告警,以实现防患于未然,提升网络运维的效率和质量。
发明内容
针对现有技术存在的问题,本发明实施例提供一种基站退服告警预测方法及装置。
本发明实施例提供一种基站退服告警预测方法,包括:
获取基站特征数据和基站所在区域的天气信息数据;
输入所述基站特征数据和所述天气信息数据至预设基站退服告警预测模型,并将所述预设基站退服告警预测模型的输出结果作为基站退服告警预测结果;其中,所述预设基站退服告警预测模型采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络得到。
其中,所述采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络,包括:
采用提取站点工参资源数据和所述天气信息数据的样本数据训练循环神经网络;其中,所述站点工参资源数据为可表征基站本征属性的参数配置状态数据以及小区标识数据。
其中,所述采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络,包括:
采用提取网管性能统计数据和所述天气信息数据的样本数据训练循环神经网络;其中,所述网管性能统计数据为基站进行无线通信服务的关键性能指标数据。
其中,所述采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络,包括:
采用提取动力环境监控数据和所述天气信息数据的样本数据训练循环神经网络;其中,所述动力环境监控数据为基站机房内部的动力监控数据和环境监控数据。
其中,所述采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络,包括:
采用提取历史告警数据和所述天气信息数据的样本数据训练循环神经网络;其中,所述历史告警数据为在预设历史时段内,基站发生退服类告警的类别和频次。
其中,所述关键性能指标数据为无线接通率、无线掉线率、接通时延和误块率中的至少其一。
其中,所述循环神经网络为LSTM。
本发明实施例提供一种基站退服告警预测装置,包括:
获取单元,用于获取基站特征数据和基站所在区域的天气信息数据;
预测单元,用于输入所述基站特征数据和所述天气信息数据至预设基站退服告警预测模型,并将所述预设基站退服告警预测模型的输出结果作为基站退服告警预测结果;其中,所述预设基站退服告警预测模型采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络得到。
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,其中,
所述处理器执行所述计算机程序时实现如下方法步骤:
获取基站特征数据和基站所在区域的天气信息数据;
输入所述基站特征数据和所述天气信息数据至预设基站退服告警预测模型,并将所述预设基站退服告警预测模型的输出结果作为基站退服告警预测结果;其中,所述预设基站退服告警预测模型采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络得到。
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,所述计算机程序被处理器执行时实现如下方法步骤:
获取基站特征数据和基站所在区域的天气信息数据;
输入所述基站特征数据和所述天气信息数据至预设基站退服告警预测模型,并将所述预设基站退服告警预测模型的输出结果作为基站退服告警预测结果;其中,所述预设基站退服告警预测模型采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络得到。
本发明实施例提供的基站退服告警预测方法及装置,通过输入基站特征数据和基站所在区域的天气信息数据至预设基站退服告警预测模型,并将该模型的输出结果作为基站退服告警预测结果,能够提前、准确、高效地进行基站退服告警预测,进而提升网络运维的效率和质量。
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为本发明基站退服告警预测方法实施例流程图;
图2为本发明另一实施例基站退服告警预测方法流程图;
图3为本发明实施例训练集单个样本示意图;
图4为本发明实施例LSTM的基本单元示意图;
图5为本发明基站退服告警预测装置实施例结构示意图;
图6为本发明实施例提供的电子设备实体结构示意图。
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。
图1为本发明基站退服告警预测方法实施例流程图,如图1所示,本发明实施例提供的一种基站退服告警预测方法,包括以下步骤:
S101:获取基站特征数据和基站所在区域的天气信息数据。
具体的,获取基站特征数据和基站所在区域的天气信息数据。执行该方法步骤的可以是计算机设备,可以具体为网管平台。由于,本发明实施例的预设基站退服告警预测模型是基于循环神经网络的,循环神经网络在训练过程中具备数据降维和特征学习的能力,因此,在特征提取阶段,应尽可能考虑导致基站退服的所有原因对应的特征数据,或当退服发生前产生的异常特征数据。可以具体包括:站点工参资源数据、网管性能统计数据、动力环境监控数据、历史告警数据、天气信息数据。分别具体说明如下:
1)站点工参资源数据
该类数据为可表征基站本征属性的参数配置状态数据以及小区标识数据。例如:开通时间、地理位置、厂家、频点号、物理小区标识(Physical Cell Identifier,简称“PCI”)、覆盖场景、天线挂高、方向角下倾角等。这些数据表征了基站的本征属性,例如其地理位置,覆盖场景,将会影响基站受到极端天气影响的可能性。
2)网管性能统计数据
该类数据为基站进行无线通信服务的关键性能指标数据,可以包含从网管平台提取的15分钟粒度无线网关键性能指标(Key Performance Indicator,简称“KPI”)和性能测试(Performance Measurement,简称“PM”)数据。当重大故障发生前,基站性能由于受到如设备老化损坏、恶劣天气等影响,会产生波动或劣化。通过捕捉这些性能数据的变化,可用来估计故障的发生。关键性能指标数据可以进一步包括:无线接通率、无线掉线率、接通时延、误块率等性能指标。
3)动力环境监控数据
该类数据为基站机房内部的动力监控数据和环境监控数据。部分基站故障是由于基站断电且蓄电池耗尽,或是由于极端天气导致设备故障。动力监控将实时监测电源电压、电流、蓄电池剩余电量,直接关系基站是否存在断电风险;环境监控将检测机房内的温度、湿度等信息,对于预测板件电路短路烧毁具有先导预测作用。
4)历史告警数据
该类数据为在预设历史时段内,基站发生退服类告警的类别和频次,预设历史时段的具体数值可以根据实际情况自主设置。统计导致故障的退服类告警发生时,伴随的其它次要告警的类别和频次。基于标准告警字典表,统计的告警的类别可以包括:***无License运行告警,基站S1控制面传输中断告警,监控设备维护链路异常告警等。
5)天气信息数据
该类数据描述了基站所在区域的未来天气情况。可以利用爬虫爬取基站所在城市/区县的温度、湿度、雨雪天气概率、以及一些极端天气预警信息(如台风、凌冻、高温),用于辅助故障预测。
S102:输入所述基站特征数据和所述天气信息数据至预设基站退服告警预测模型,并将所述预设基站退服告警预测模型的输出结果作为基站退服告警预测结果;其中,所述预设基站退服告警预测模型采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络得到。
具体的,输入所述基站特征数据和所述天气信息数据至预设基站退服告警预测模型,并将所述预设基站退服告警预测模型的输出结果作为基站退服告警预测结果;其中,所述预设基站退服告警预测模型采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络得到。利用深度神经网络对数据进行建模可使用多种模型,如深度玻尔兹曼网络DBN,卷积神经网络CNN,循环神经网络RNN等。
本发明实施例针对基站退服告警预测发生概率,提出一种预测方法。该预测方法是基于基站一段时间内的多维度基站特征数据(及将上述几类数据进行组合)作为模型的输入,用于预测未来一段时间基站发生退服告警的概率,是一种基于时间序列的预测方法。
循环神经网络RNN由于具有记忆性,非常适用于时间序列相关数据的预测,常用于气温预测,股票预测等数据预测领域,契合本发明的需求。同时,朴素RNN算法由于其存在长期依赖的问题,当模型规模过大时,存在梯度消失的问题。长短期记忆网络LSTM通过引入渗漏单元和门控循环单元,实现信息长程关联,避免梯度消失。
进一步地,本发明实施例可以选择循环神经网络RNN的一类变种——长短期记忆网络LSTM,用于实现基站退服告警预测。
图2为本发明另一实施例基站退服告警预测方法流程图,如图2所示,包括数据准备阶段、模型训练阶段和模型预测阶段。对这三个阶段具体说明如下:
步骤1)数据准备阶段
该阶段为预设基站退服告警预测模型生成准备数据,构造训练样本集。训练样本集是以基站为基本单元,由多个基站的历史数据构成。图3为本发明实施例训练集单个样本示意图,如图3所示,一个基站连续一段时间(假设输入数据包括了T时间的特征,则输出数据需要包括T+1时间的数据,保证待预测目标处于输入特征的未来时间)数据构成一个样本。每个样本既包括用于输入的特征数据,又包括期望输出的实际值,即训练目标。输入数据包括了基站的站点工参资源数据、网管性能统计数据、动力环境监控数据、告警数据、天气信息数据,训练目标数据为该基站未来一段时间内(T到T+1)是否发生退服类告警,发生为1,不发生为0。通过向模型输入特征数据,得到未来一段时间发生退服告警的概率,概率值的区间为[0,1]。
通过将输入的特征数据与输出的目标数据对应,组成一个训练样本案例如图3所示。矩阵X为输入矩阵,矩阵Y为目标矩阵。
X矩阵包含n列,分别为通过各类数据源构建出的n维特征;T+1行,分别为时序1~时序T+1,其中T+1行数据可为空,fs,l为s时刻第l个特征的取值。
Y矩阵包含m列,分别为待预测的目标类型(本发明实施例中主要指可能发生的退服告警类型);T+1行,分别为时序1~时序T+1,由于本发明实施例目的是基于当前信息对未来时刻目标的预测,所以Y矩阵需要保留2~T+1行的数据,即比X矩阵延迟1时间单位,Ks,l为s时刻第l个退服告警是否发生,发生为1,不发生为0。
训练集准备完毕后需要进行两个操作。第一步是归一化,利用Z-Score归一化方法按列归一,以保证数据集分布的稳定性:
X:,j=(f:,j-fj,mean)/fj,std
y:,j=(k:,j-kj,mean)/kj,std
其中,f:,j为归一化前第j列的所有元素,x:,j为归一化后第j列的所有元素,fj,mean为整个样本集的第j列所有元素值的均值,fj,std为整个样本集第j列所有元素的标准差。通过Z-Score归一化,使得整个样本集归一化到均值为0,方差为1的标准正态分布。同样对Y矩阵进行类似操作实现整个样本集的归一化。
第二步是对缺损数据的补齐。对于无数据的单元格,利用标准正态分布随机生成数值进行填充,不会改变每列数据的统计特性。
步骤2)模型训练阶段
利用步骤1)构建的数据集进行LSTM网络权值的训练,以实现由小区故障告警相关特征指标输入到退服告警概率输出的映射。LSTM模型由多个LSTM单元级联构成,是基于时间步的预测模型,可在每一时间步输入对应特征。基于业务逻辑建立的数据集,隐含了退服告警等故障发生的征兆,每个时间步的特征信息,对退服告警发生的概率有着不同程度的影响,其影响程度复杂,无法人工确定。LSTM算法可以通过改变单元传输的权重,自动学习数据中隐含的影响程度信息,实现对数据的建模。图4为本发明实施例LSTM的基本单元示意图,如图4所示:
LSTM网络由多个相同的基本单元收尾连接形成,每个单元对应一个时间步。其中,Xt为t时间步输入的特征向量,ht为t时间步的输出,Ct为t时间步的状态。ft,it,ot分别对应遗忘门、输入门和输出门。σ(·)为Sigmoid激活函数。
模型的训练分为正向传播和反向训练两个阶段。正向传播阶段,按时间步顺序输入特征向量,根据以下公式对单元状态和每单元步输出进行计算,其中W对应网络权重,b对应网络偏置。首先对遗忘门ft和输入门it进行计算。遗忘门决定了上一时间步状态对下一时间步状态的影响;输入门决定了对当前时间步输入对当前状态的影响。两者的取值均为0~1,0标识完全舍弃,1表示完全保留。公式如下:
ft=σ(Wf·[ht-1,xt]+bf)
it=σ(Wi·[ht-1,xt]+bi)
接着,每个单元步计算输出门输出。输出门ot决定了当前时间步状态输出信息保留多少,取值为0~1,0标识完全舍弃,1表示完全保留。其计算公式如下:
Ot=σ(Wo·[ht-1,xt]+bo)
ht=ot*tanh(Ct)
最后,计算当前时间序列T的输出预测值,即本发明实施例中估计T+1时刻退服告警发生的概率,其计算公式如下:
正向传播过程,通过LSTM网络将基于时间步的基站特征映射为告警发生概率;反向训练过程,通过训练改变网络的权重W、b等,使得网络预测概率与真实概率更加接近。训练过程通过基于时间的反向传播算法(BPTT)实现。
BPTT算法的目的就是对模型的损失函数进行最小化。损失函数使用交叉熵函数,表示了预测值和真实值之间的差距,如下所示:
利用偏导链式法则可以计算出损失函数相对各个权重参数的梯度,以下以对Wf为例:
对于其它权重、偏置参数Wi、Wo、bf、bi、bo、V、c等,其梯度也可类似求解。利用随机梯度下降法,即可对所有权重、偏置参数进行训练更新。
步骤3)模型预测阶段
经过多次迭代训练后,模型收敛,可用于导致基站故障的退服告警预测。预测时,通过输入对当前基站过去一段时间(小于T)的性能数据、历史告警数据、工参数据、动环数据,以及当地天气数据,依时间序列形成各个时间步的输入特征,输入模型,即可获取T+1时刻的故障概率预测值。
本发明实施例基于对无线网络运维故障排查的深入研究,得出预测退服告警概率的业务需求。根据这一需求的特点,选取基于时间序列预测的深度学***滑。
本发明实施例提供的基站退服告警预测方法,通过输入基站特征数据和基站所在区域的天气信息数据至预设基站退服告警预测模型,并将该模型的输出结果作为基站退服告警预测结果,能够提前、准确、高效地进行基站退服告警预测,进而提升网络运维的效率和质量。
在上述实施例的基础上,所述采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络,包括:
具体的,采用提取站点工参资源数据和所述天气信息数据的样本数据训练循环神经网络;其中,所述站点工参资源数据为可表征基站本征属性的参数配置状态数据以及小区标识数据。可参照上述说明,不再赘述。
本发明实施例提供的基站退服告警预测方法,通过采用提取站点工参资源数据和天气信息数据的样本数据训练循环神经网络,进一步能够提前、准确、高效地进行基站退服告警预测,进而提升网络运维的效率和质量。
在上述实施例的基础上,所述采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络,包括:
具体的,采用提取网管性能统计数据和所述天气信息数据的样本数据训练循环神经网络;其中,所述网管性能统计数据为基站进行无线通信服务的关键性能指标数据。可参照上述说明,不再赘述。
本发明实施例提供的基站退服告警预测方法,通过采用提取网管性能统计数据和天气信息数据的样本数据训练循环神经网络,进一步能够提前、准确、高效地进行基站退服告警预测,进而提升网络运维的效率和质量。
在上述实施例的基础上,所述采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络,包括:
具体的,采用提取动力环境监控数据和所述天气信息数据的样本数据训练循环神经网络;其中,所述动力环境监控数据为基站机房内部的动力监控数据和环境监控数据。可参照上述说明,不再赘述。
本发明实施例提供的基站退服告警预测方法,通过采用提取动力环境监控数据和天气信息数据的样本数据训练循环神经网络,进一步能够提前、准确、高效地进行基站退服告警预测,进而提升网络运维的效率和质量。
在上述实施例的基础上,所述采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络,包括:
具体的,采用提取历史告警数据和所述天气信息数据的样本数据训练循环神经网络;其中,所述历史告警数据为在预设历史时段内,基站发生退服类告警的类别和频次。可参照上述说明,不再赘述。
本发明实施例提供的基站退服告警预测方法,通过采用提取历史告警数据和天气信息数据的样本数据训练循环神经网络,进一步能够提前、准确、高效地进行基站退服告警预测,进而提升网络运维的效率和质量。
在上述实施例的基础上,具体的,所述关键性能指标数据为无线接通率、无线掉线率、接通时延和误块率中的至少其一。可参照上述说明,不再赘述。
本发明实施例提供的基站退服告警预测方法,通过将关键性能指标数据确定为无线接通率、无线掉线率、接通时延和误块率中的至少其一,能够全面获取关键性能指标,进一步全面地考虑到影响基站退服告警的特征,优化基站退服告警预测。
在上述实施例的基础上,具体的,所述循环神经网络为LSTM。可参照上述说明,不再赘述。
本发明实施例提供的基站退服告警预测方法,能够避免梯度消失,优化该模型的训练过程。
图5为本发明基站退服告警预测装置实施例结构示意图,如图5所示,本发明实施例提供了一种基站退服告警预测装置,包括获取单元501和预测单元502,其中:
获取单元501用于获取基站特征数据和基站所在区域的天气信息数据;预测单元502用于输入所述基站特征数据和所述天气信息数据至预设基站退服告警预测模型,并将所述预设基站退服告警预测模型的输出结果作为基站退服告警预测结果;其中,所述预设基站退服告警预测模型采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络得到。
具体的,获取单元501用于获取基站特征数据和基站所在区域的天气信息数据;预测单元502用于输入所述基站特征数据和所述天气信息数据至预设基站退服告警预测模型,并将所述预设基站退服告警预测模型的输出结果作为基站退服告警预测结果;其中,所述预设基站退服告警预测模型采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络得到。
本发明实施例提供的基站退服告警预测装置,通过输入基站特征数据和基站所在区域的天气信息数据至预设基站退服告警预测模型,并将该模型的输出结果作为基站退服告警预测结果,能够提前、准确、高效地进行基站退服告警预测,进而提升网络运维的效率和质量。
本发明实施例提供的基站退服告警预测装置具体可以用于执行上述各方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
图6为本发明实施例提供的电子设备实体结构示意图,如图6所示,所述电子设备包括:处理器(processor)601、存储器(memory)602和总线603;
其中,所述处理器601、存储器602通过总线603完成相互间的通信;
所述处理器601用于调用所述存储器602中的程序指令,以执行上述各方法实施例所提供的方法,例如包括:获取基站特征数据和基站所在区域的天气信息数据;输入所述基站特征数据和所述天气信息数据至预设基站退服告警预测模型,并将所述预设基站退服告警预测模型的输出结果作为基站退服告警预测结果;其中,所述预设基站退服告警预测模型采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络得到。
本实施例公开一种计算机程序产品,所述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,所述计算机程序包括程序指令,当所述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所提供的方法,例如包括:获取基站特征数据和基站所在区域的天气信息数据;输入所述基站特征数据和所述天气信息数据至预设基站退服告警预测模型,并将所述预设基站退服告警预测模型的输出结果作为基站退服告警预测结果;其中,所述预设基站退服告警预测模型采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络得到。
本实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:获取基站特征数据和基站所在区域的天气信息数据;输入所述基站特征数据和所述天气信息数据至预设基站退服告警预测模型,并将所述预设基站退服告警预测模型的输出结果作为基站退服告警预测结果;其中,所述预设基站退服告警预测模型采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络得到。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于一计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置实施例仅仅是示意性的,其中所述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。基于这样的理解,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)执行各个实施例或者实施例的某些部分所述的方法。
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)
1.一种基站退服告警预测方法,其特征在于,包括:
获取基站特征数据和基站所在区域的天气信息数据;
输入所述基站特征数据和所述天气信息数据至预设基站退服告警预测模型,并将所述预设基站退服告警预测模型的输出结果作为基站退服告警预测结果;其中,所述预设基站退服告警预测模型采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络得到。
2.根据权利要求1所述的基站退服告警预测方法,其特征在于,所述采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络,包括:
采用提取站点工参资源数据和所述天气信息数据的样本数据训练循环神经网络;其中,所述站点工参资源数据为可表征基站本征属性的参数配置状态数据以及小区标识数据。
3.根据权利要求1所述的基站退服告警预测方法,其特征在于,所述采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络,包括:
采用提取网管性能统计数据和所述天气信息数据的样本数据训练循环神经网络;其中,所述网管性能统计数据为基站进行无线通信服务的关键性能指标数据。
4.根据权利要求1所述的基站退服告警预测方法,其特征在于,所述采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络,包括:
采用提取动力环境监控数据和所述天气信息数据的样本数据训练循环神经网络;其中,所述动力环境监控数据为基站机房内部的动力监控数据和环境监控数据。
5.根据权利要求1所述的基站退服告警预测方法,其特征在于,所述采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络,包括:
采用提取历史告警数据和所述天气信息数据的样本数据训练循环神经网络;其中,所述历史告警数据为在预设历史时段内,基站发生退服类告警的类别和频次。
6.根据权利要求3所述的基站退服告警预测方法,其特征在于,所述关键性能指标数据为无线接通率、无线掉线率、接通时延和误块率中的至少其一。
7.根据权利要求1至6任一所述的基站退服告警预测方法,其特征在于,所述循环神经网络为LSTM。
8.一种基站退服告警预测装置,其特征在于,包括:
获取单元,用于获取基站特征数据和基站所在区域的天气信息数据;
预测单元,用于输入所述基站特征数据和所述天气信息数据至预设基站退服告警预测模型,并将所述预设基站退服告警预测模型的输出结果作为基站退服告警预测结果;其中,所述预设基站退服告警预测模型采用提取所述基站特征数据和所述天气信息数据的样本数据训练循环神经网络得到。
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计算机程序时实现如权利要求1至7任一项所述方法的步骤。
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,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911168434.1A CN112836843B (zh) | 2019-11-25 | 2019-11-25 | 一种基站退服告警预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911168434.1A CN112836843B (zh) | 2019-11-25 | 2019-11-25 | 一种基站退服告警预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112836843A true CN112836843A (zh) | 2021-05-25 |
CN112836843B CN112836843B (zh) | 2024-04-09 |
Family
ID=75922332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911168434.1A Active CN112836843B (zh) | 2019-11-25 | 2019-11-25 | 一种基站退服告警预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836843B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113365297A (zh) * | 2021-08-10 | 2021-09-07 | 广东南方电信规划咨询设计院有限公司 | 基站天线性能监测方法、装置、电子设备及存储介质 |
CN114375035A (zh) * | 2021-12-29 | 2022-04-19 | 中国电信股份有限公司 | 一种基站参数调整方法、装置、电子设备及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030046905A (ko) * | 2001-12-07 | 2003-06-18 | 에스케이 텔레콤주식회사 | 이동 통신 시스템에서의 호 접속실패 원인 분석 방법 |
CN101242549A (zh) * | 2007-11-22 | 2008-08-13 | ***通信集团山东有限公司 | 通信网络告警关联的神经网络构建方法 |
CN101742541A (zh) * | 2008-11-13 | 2010-06-16 | ***通信集团河北有限公司 | 基站退服预警方法和*** |
CN104270779A (zh) * | 2014-10-17 | 2015-01-07 | 浪潮通信信息***有限公司 | 一种无线网络故障原因预处理方法及无线网络故障工单派发*** |
CN107295553A (zh) * | 2017-08-21 | 2017-10-24 | 中国铁塔股份有限公司 | 一种基站维护方法及装置 |
CN108063676A (zh) * | 2016-11-08 | 2018-05-22 | ***通信集团山西有限公司 | 通信网络故障预警方法及装置 |
-
2019
- 2019-11-25 CN CN201911168434.1A patent/CN112836843B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20030046905A (ko) * | 2001-12-07 | 2003-06-18 | 에스케이 텔레콤주식회사 | 이동 통신 시스템에서의 호 접속실패 원인 분석 방법 |
CN101242549A (zh) * | 2007-11-22 | 2008-08-13 | ***通信集团山东有限公司 | 通信网络告警关联的神经网络构建方法 |
CN101742541A (zh) * | 2008-11-13 | 2010-06-16 | ***通信集团河北有限公司 | 基站退服预警方法和*** |
CN104270779A (zh) * | 2014-10-17 | 2015-01-07 | 浪潮通信信息***有限公司 | 一种无线网络故障原因预处理方法及无线网络故障工单派发*** |
CN108063676A (zh) * | 2016-11-08 | 2018-05-22 | ***通信集团山西有限公司 | 通信网络故障预警方法及装置 |
CN107295553A (zh) * | 2017-08-21 | 2017-10-24 | 中国铁塔股份有限公司 | 一种基站维护方法及装置 |
Non-Patent Citations (5)
Title |
---|
YIN-HSIN LIU, 等: "Predicting malfunction of mobile network base station using machine learning approach", 《2019 20TH ASIA-PACIFIC NETWORK OPERATIONS AND MANAGEMENT SYMPOSIUM》, pages 1 - 4 * |
刘洪波,等: "基于神经网络的通信网络告警关联分析及应用", 《电信技术》, no. 5, pages 32 - 35 * |
王洋, 等: "基于集中监控数据资源的4G基站退服故障预警模型", 《电信科学》, vol. 32, no. 7, pages 188 - 196 * |
石少民: "数据挖掘在移动基站退服故障预测中的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 10, pages 136 - 82 * |
魏鹏涛,等: "基于大数据的 5G 基站退服成本估算", 《电子技术应用》, vol. 45, no. 10, pages 15 - 16 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113365297A (zh) * | 2021-08-10 | 2021-09-07 | 广东南方电信规划咨询设计院有限公司 | 基站天线性能监测方法、装置、电子设备及存储介质 |
CN114375035A (zh) * | 2021-12-29 | 2022-04-19 | 中国电信股份有限公司 | 一种基站参数调整方法、装置、电子设备及可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112836843B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108513251B (zh) | 一种基于mr数据的定位方法及*** | |
CN109146093A (zh) | 一种基于学习的电力设备现场勘查方法 | |
CN112054943B (zh) | 一种移动网络基站流量预测方法 | |
CN113486584B (zh) | 设备故障的预测方法、装置、计算机设备及计算机可读存储介质 | |
CN107077132A (zh) | 使用分布式控制***来管理加工厂的子***的方法 | |
CN105471647A (zh) | 一种电力通信网故障定位方法 | |
CN112836843A (zh) | 一种基站退服告警预测方法及装置 | |
CN108022123B (zh) | 一种业务模型的自动调整方法及装置 | |
CN115392627A (zh) | 一种配电网的在线风险评估方法及*** | |
CN111159922A (zh) | 一种电力***连锁故障的关键线路辨识方法和装置 | |
Eltyshev et al. | Intelligent decision support in the electrical equipment diagnostics | |
CN114553671A (zh) | 一种电力通信网故障告警的诊断方法 | |
CN114168444A (zh) | 一种基于监控大数据的动态运维报修模型 | |
CN103942251A (zh) | 基于多种质控方法的高空气象资料入库方法和入库*** | |
AU2019100631A4 (en) | Self-correcting multi-model numerical rainfall ensemble forecasting method | |
CN115689320A (zh) | 基站运行的健康管理方法、装置及计算机可读存储介质 | |
CN113825165B (zh) | 基于时间图网络的5g切片网络拥塞预警方法及装置 | |
CN116389316A (zh) | 电力光通信网络故障感知方法、装置、设备及存储介质 | |
CN109978299B (zh) | 用于海上风电业务的数据分析方法、装置和存储介质 | |
CN112801815B (zh) | 一种基于联邦学习的电力通信网络故障预警方法 | |
CN115409100A (zh) | 电力事故应急方案生成方法、装置、介质及设备 | |
CN114066068A (zh) | 一种短期电力负荷预测方法、装置、设备和存储介质 | |
CN113487087A (zh) | 一种设备使用寿命的预测方法、装置、计算机设备及计算机可读存储介质 | |
CN111950765A (zh) | 一种基于堆叠降噪自编码器的概率性暂态稳定预测方法 | |
CN112104467B (zh) | 割接操作风险评级方法、装置及计算设备 |
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 |