基站故障的预测方法及装置与流程

本发明实施例涉及通信维护技术领域，更具体地，涉及基站故障的预测方法及装置。

背景技术：

基站故障会阻断对客户的通信服务，影响客户感知。如果网络中存在的故障不能够被快速地诊断以及修复，那么常常会给网络的使用者带来巨大的经济损失。快速、准确发现甚至提前预测网络中的基站故障可以减少网络运营商人力成本和提高客户服务质量。

基站故障征兆多种多样,其原因和故障之间的关系是异常复杂的,准确地预测基站故障，根据相关设备性能数据，设计预测模型，在故障发生之前提前预测，进而使管理和维护人员在故障发生之前采取一些有效措施排除故障，避免或减少了损失，其重要性和可行性已在实践中得到证明。

目前国内外有不少的学者针对基站故障情况进行研究。研究的方向大致有两种：

(1)基于设备状态查询的故障定位方法：目前广泛应用的故障检查是根据网络管理协议，对网络中的各种设备运行过程中的状态信息主动进行轮询，例如获取rru状态、天线驻波比以及bbu端口的状态指标等信息，利用这些信息分析设备是否工作异常，以此来定位故障。但该方法一方面由于需要主动轮训状态信息，存在速度较慢的缺陷，另一方面分析所需的影响因素多而且杂乱，数据量非常大，分析效率较低。

(2)基于规则推理的故障诊断方法：也被称为基于专家系统的故障诊断方法，由于不需要对底层系统进行深入了解，因此是一种相对比较容易实现的一种方法。但是它也存在着许多缺点：新规则形成时间长，更新慢以及无法处理规则库中没有描述的故障，容易出现漏诊现象。因此基于规则推理的故障诊断技术只适用于小型不易变化的网络。

技术实现要素：

本发明实施例提供一种克服上述问题或者至少部分地解决上述问题的基站故障的预测方法及装置。

第一个方面，本发明实施例提供一种基站故障的预测方法，包括：

获取对基站故障有关联的两种影响因素的特征值；

将所述两种影响因素的特征值输入至预先训练的支持向量机模型，输出所述基站在预设时间后是否故障的预测结果；

其中，所述支持向量机模型根据历史时刻所述两种影响因素的特征值以及历史时刻之后的预设时间基站是否故障的记录训练而成。

第二个方面，本发明实施例提供一种基站故障的预测装置，包括：

特征值获取模块，用于获取对基站故障有关联的两种影响因素的特征值；

预测模块，用于将所述两种影响因素的特征值输入至预先训练的支持向量机模型，输出所述基站是否故障的预测结果；

其中，所述支持向量机模型根据历史时刻所述两种影响因素的特征值以及历史时刻之后的预设时间基站是否故障的记录训练而成。

第三方面，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，所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。

第四方面，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，该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。

本发明实施例提供的基站故障的预测方法及装置，其中方法包括：获取对基站故障有关联的两种影响因素的特征值；将所述两种影响因素的特征值输入至预先训练的支持向量机模型，输出所述基站在预设时间后是否故障的预测结果；其中，所述支持向量机模型根据历史时刻所述两种影响因素的特征值以及历史时刻之后的预设时间基站是否故障的记录训练而成。本发明实施例将支持向量机的机器学习算法应用于基站故障预测，相比现有技术采用历史故障数据输入到机器学习系统中进行训练更具有时效性，可以更准确预测基站的状态。

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为本发明实施例提供的基站故障的预测方法的流程示意图；

图2为本发明实施例提供的基站故障的预测装置的结构示意图；

图3为本发明实施例提供的电子设备的实体结构示意图。

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。

为了克服现有技术的上述问题，本发明实施例提供了一种基站故障的预测方法，其发明构思为：通过对大量与基站故障的产生有直接或间接管理的影响因素进行分析，最终获得两个能够足以保证预测正确率的影响因素，通过利用历史时刻的影响因素的特征值以及基站故障记录对支持向量机进行训练，获得能够准确预测基站故障的支持向量机模型，将测试时刻获取的两种影响因素的特征值输入至支持向量机模型中，即可获知基站是否故障。

图1为本发明实施例提供的基站故障的预测方法的流程示意图，如图所示，包括：

s101、获取对基站故障有关联的两种影响因素的特征值。

需要说明的是，为了克服现有基于基站故障的研究大多在故障诊断和定位以及只基于单一的特征值对基站进行故障预测的弊端，本发明实施例从基站性能的众多影响因素中(比如接通率、掉话率、流量、切换成功率、利用率、丢包、延伸、抖动、下载上传速率、rrc连接最大用户数、关联小区投诉率等)，通过大量的分析，筛选出对基站故障具有较为密切关系的两种影响因素，这样减少了预测过程中所需的参数，在保证准确率的基础上提高效率。

s102、将所述两种影响因素的特征值输入至预先训练的支持向量机模型，输出所述基站是否故障的预测结果；其中，所述支持向量机模型根据历史时刻所述两种影响因素的特征值以及历史时刻之后的预设时间基站是否故障的记录训练而成。

具体地，支持向量机(supportvectormachine，简称svm)是于1995年由cortes和vapnik首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等其他机器学习问题中。它通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，从而达到在统计样本量较少的情况下，亦能获得良好统计规律的目的。支持向量机是一种二类分类模型。其基本模型定义为特征空间上的间隔最大的线性分类器，即支持向量机的学习策略便是间隔最大化，最终可转化为一个凸二次规划问题的求解。支持向量机的学习算法就是求解凸二次规的最优化算法。

本发明实施例中的支持向量机模型的训练样本为若干个历史时刻的两种影响因素的特征值，以及对应各影响因素的特征值的采集时刻之后预设时段的基站是否故障的记录。比如，i时刻的两种影响因素的特征值以及i+1时刻的基站是否故障的记录。

本发明实施例将支持向量机的机器学习算法应用于基站故障预测，相比现有技术采用历史故障数据输入到机器学习系统中进行训练更具有时效性，可以更准确预测基站的状态。

在上述各实施例的基础上，作为一种可选实施例，本发明实施例中选择的两种影响因素为基站上下行流量总和与小区切入成功率。

需要说明的是，本发明实施例对众多影响因素，参阅了大量的文献资料，阅读了性能特征值描述文档，还结合了经验丰富的网络管理人员、网络优化工程师的网络经验，通过大量实验得以筛选出以基站上下行流量总和与小区切入成功率用于预测基站故障的两种影响因素。本发明实施例选择的两种影响因子还具有互不影响的优势。

在上述各实施例的基础上，作为一种可选实施例，支持向量机模型的训练方法具体为：

获取历史时刻的至少两种影响因素的特征值以及历史时刻之后的预设时间基站是否故障的记录。

本发明实施例在进行向量机模型的训练时，首先需要选取至少两种影响因素，由于支持向量机通过训练样本进行训练和分析，得到输入与输出之间存在的函数关系，再对位置的输入或输出找到对应的输出与输入；建立输入、输出间函数关系时，函数关系与选择的输入有很大的关系。支持向量机的经验风险和置信风险与样本输入有很大的关系。基站的故障由众多因素影响，是多变量问题，基站是否故障作为函数输出，影响基站的故障的因素，例如接通率、掉话率、流量、切换成功率、利用率、丢包、延伸、抖动、下载上传速率、rrc连接最大用户数、关联小区投诉率等可以作为函数输入，样本数据中的每个数据即为支持向量机的特征量，每个特征量的选择都不同程度的影响支持向量机的建立和求解。因此，本发明实施例需要先获取较多的影响因素，提供后续筛选的基础。

根据主成分分析法对所述历史时刻的至少两种影响因素的特征值进行简化处理，获得所述两种影响因素的特征值。

需要说明的是，主成分分析法旨在利用降维的思想，把多指标转化为少数几个综合指标(即主成分)，通过主成分分析法从众多影响因素中筛选出最重要的两个影响因素。

对所述两种影响因素的特征值进行标准化处理。

需要说明的是，当各影响因素的数量级相差较大或同一控制因素的离散性过大时，不利于机器学习，同时为了加快模型收敛的速度，减少训练时间，本发明实施例还需要进一步筛选出的两种影响因素的特征值进行标准化处理。

将标准化处理后的所述两种影响因素的特征值以及历史时刻基站是否故障的记录输入至支持向量机中进行训练，获得训练好的支持向量机模型。

在上述各实施例的基础上，作为一种可选实施例，根据主成分分析法对所述历史时刻的至少两种影响因素的特征值进行简化处理，具体为：

采用主成分分析法对历史时刻的至少两种影响因素的特征值进行处理，获得各个影响因素的累积贡献率，保留累积贡献率最高的两种影响因素的特征值。

对所述两种影响因素的特征值进行标准化处理，具体为：

对应任意一种影响因素，根据所述影响因素的特征值的实际值与所述影响因素的最大值和最小值间的差值的商，作为标准化处理后的结果。

本发明实施例通过主成分分析法进行简化处理以及后续的标准化处理，能够达到减少支持向量机预测中的数据负担，提高预测效率。

在上述各实施例的基础上，作为一种可选实施例，将标准化处理后的所述两种影响因素的特征值以及历史时刻基站是否故障的记录输入至支持向量机中进行训练，获得训练好的支持向量机模型，具体为：

向所述支持向量机中输入经过标准化处理后的所述两种影响因素的特征值，输出为同一历史时刻的基站是否故障的记录，从而进行支持向量机模型训练。

图2为本发明实施例提供的基站故障的预测装置的结构示意图，如图2所示，该预测装置包括：特征值获取模块201和预测模块202，其中：

特征值获取模块201用于获取对基站故障有关联的两种影响因素的特征值。

具体地，为了克服现有基于基站故障的研究大多在故障诊断和定位以及只基于单一的特征值对基站进行故障预测的弊端，本发明实施例从基站性能的众多影响因素中(比如接通率、掉话率、流量、切换成功率、利用率、丢包、延伸、抖动、下载上传速率、rrc连接最大用户数、关联小区投诉率等)，通过大量的分析，由特征值获取模块201筛选出对基站故障具有较为密切关系的两种影响因素，这样减少了预测过程中所需的参数，在保证准确率的基础上提高效率。

预测模块202将所述两种影响因素的特征值输入至预先训练的支持向量机模型，输出所述基站是否故障的预测结果。

具体地，本发明实施例支持向量机模型的训练样本为若干个历史时刻的两种影响因素的特征值，以及对应各影响因素的特征值的采集时刻之后预设时段的基站是否故障的记录。比如，i时刻的两种影响因素的特征值以及i+1时刻的基站是否故障的记录。预测模块将支持向量机的机器学习算法应用于基站故障预测，相比现有技术采用历史故障数据输入到机器学习系统中进行训练更具有时效性，可以更准确预测基站的状态。

本发明实施例提供的预测装置，具体执行上述各预测方法实施例流程，具体请详见上述各预测方法实施例的内容，在此不再赘述。本发明实施例提供的预测装置相比现有技术采用历史故障数据输入到机器学习系统中进行训练更具有时效性，可以更准确预测基站的状态。

图3为本发明实施例提供的电子设备的实体结构示意图，如图3所示，该电子设备可以包括：处理器(processor)310、通信接口(communicationsinterface)320、存储器(memory)330和通信总线340，其中，处理器310，通信接口320，存储器330通过通信总线340完成相互间的通信。处理器310可以调用存储在存储器330上并可在处理器310上运行的计算机程序，以执行上述各实施例提供的预测方法，例如包括：获取对基站故障有关联的两种影响因素的特征值；将所述两种影响因素的特征值输入至预先训练的支持向量机模型，输出所述基站在预设时间后是否故障的预测结果；其中，所述支持向量机模型根据历史时刻所述两种影响因素的特征值以及历史时刻之后的预设时间基站是否故障的记录训练而成。

此外，上述的存储器330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。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

本发明实施例还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，该计算机程序被处理器执行时实现以执行上述各实施例提供的预测方法，例如包括：获取对基站故障有关联的两种影响因素的特征值；将所述两种影响因素的特征值输入至预先训练的支持向量机模型，输出所述基站在预设时间后是否故障的预测结果；其中，所述支持向量机模型根据历史时刻所述两种影响因素的特征值以及历史时刻之后的预设时间基站是否故障的记录训练而成。

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。