本技术涉及无线通信,尤其涉及一种基站退服告警预测方法及装置。
背景技术:
1、在基站发生退服,例如网元连接中断或小区不可用等情况时,会产生退服类告警。退服类告警产生说明基站已经发生退服,用户将无法连接到网络,影响了用户正常通信。
2、各大运营商均拥有基站跨域设备监控系统,系统每日产生海量告警数据,一般情况下,在退服类告警产生之前会有一些次要告警伴随发生,因此目前主要通过搭建人工智能(artificial intelligence,ai)模型,通过次要告警来预测未来一天发生退服类告警的概率,对概率高的基站提前安排运维人员去处理故障,避免基站发生退服影响到用户正常通信,从而提升服务质量优化服务体验。
3、然而,现有技术采用多维度数据如站点共参资源数据、网管性能数据、动力环境监控数据、历史告警数据、天气信息数据等,采用长短期记忆(long short-term memory,lstm)人工神经网络算法进行模型训练预测,这种方法数据维度较多,样本需求高,且采用lstm算法,训练周期长,模型参数多,对硬件要求高,不利于现网应用。
技术实现思路
1、针对现有技术存在的问题,本技术实施例提供一种基站退服告警预测方法及装置。
2、第一方面,本技术实施例提供一种基站退服告警预测方法,包括:
3、根据基站的历史告警数据和融合预测模型,得到所述基站在预测时间段内产生退服类告警的概率;
4、其中,所述融合预测模型包括多个分预测模型,所述融合预测模型的预测结果根据各所述分预测模型的预测结果和各所述分预测模型对应的权重确定;
5、各所述分预测模型均基于样本告警数据和所述样本告警数据对应的退服告警标签训练得到。
6、可选地,各所述分预测模型的训练方式如下:
7、对所述样本告警数据进行特征提取,得到样本告警特征数据;
8、对所述样本告警特征数据中的告警特征进行选择,得到特征选择结果;
9、基于所述特征选择结果和所述样本告警特征数据,对各所述分预测模型进行训练。
10、可选地,所述对所述样本告警数据进行特征提取,得到样本告警特征数据,包括:
11、基于预设时间长度的滑动窗口,生成多个特征提取样本集;每个所述特征提取样本集包含一个滑动窗口对应的样本告警数据;
12、基于所述特征提取样本集进行特征提取,得到样本告警特征数据。
13、可选地,所述样本告警特征数据中的告警特征包括以下多种:
14、告警时间特征;
15、所述特征提取样本集对应的退服类告警的数量统计特征;
16、所述特征提取样本集对应的不同告警类型的数量统计特征;
17、所述特征提取样本集对应的退服类告警的时间间隔统计特征。
18、可选地,各所述分预测模型对应的权重通过以下方式确定:
19、分别获取不同候选权重组合在验证集样本上得到的融合预测模型的f1-score;
20、基于所述融合预测模型的f1-score,以及各所述分预测模型在验证集样本上对应的f1-score,确定各所述分预测模型对应的权重;
21、其中,所述f1-score根据模型预测结果的准确率和召回率确定。
22、可选地,根据各所述分预测模型的预测结果和各所述分预测模型对应的权重确定所述融合预测模型的预测结果,包括:
23、对各所述分预测模型的预测结果进行加权求和,得到所述融合预测模型的预测结果。
24、可选地,所述多个分预测模型包括逻辑回归模型、随机森林模型和极端梯度提升xgboost模型。
25、可选地,所述退服类告警包括网元连接中断告警和小区不可用告警。
26、可选地,所述得到所述基站在预测时间段内产生退服类告警的概率之后,所述方法还包括:
27、确定所述基站在预测时间段内产生退服类告警的概率大于预设阈值,则针对所述基站派发故障工单。
28、第二方面,本技术实施例还提供一种电子设备,包括存储器,收发机,处理器:
29、存储器,用于存储计算机程序;收发机,用于在所述处理器的控制下收发数据;处理器,用于读取所述存储器中的计算机程序并执行以下操作:
30、根据基站的历史告警数据和融合预测模型,得到所述基站在预测时间段内产生退服类告警的概率;
31、其中,所述融合预测模型包括多个分预测模型,所述融合预测模型的预测结果根据各所述分预测模型的预测结果和各所述分预测模型对应的权重确定;
32、各所述分预测模型均基于样本告警数据和所述样本告警数据对应的退服告警标签训练得到。
33、可选地,各所述分预测模型的训练方式如下:
34、对所述样本告警数据进行特征提取,得到样本告警特征数据;
35、对所述样本告警特征数据中的告警特征进行选择,得到特征选择结果;
36、基于所述特征选择结果和所述样本告警特征数据,对各所述分预测模型进行训练。
37、可选地,所述对所述样本告警数据进行特征提取,得到样本告警特征数据,包括:
38、基于预设时间长度的滑动窗口,生成多个特征提取样本集;每个所述特征提取样本集包含一个滑动窗口对应的样本告警数据;
39、基于所述特征提取样本集进行特征提取,得到样本告警特征数据。
40、可选地,所述样本告警特征数据中的告警特征包括以下多种:
41、告警时间特征;
42、所述特征提取样本集对应的退服类告警的数量统计特征;
43、所述特征提取样本集对应的不同告警类型的数量统计特征;
44、所述特征提取样本集对应的退服类告警的时间间隔统计特征。
45、可选地,各所述分预测模型对应的权重通过以下方式确定:
46、分别获取不同候选权重组合在验证集样本上得到的融合预测模型的f1-score;
47、基于所述融合预测模型的f1-score,以及各所述分预测模型在验证集样本上对应的f1-score,确定各所述分预测模型对应的权重;
48、其中,所述f1-score根据模型预测结果的准确率和召回率确定。
49、可选地,根据各所述分预测模型的预测结果和各所述分预测模型对应的权重确定所述融合预测模型的预测结果,包括:
50、对各所述分预测模型的预测结果进行加权求和,得到所述融合预测模型的预测结果。
51、可选地,所述多个分预测模型包括逻辑回归模型、随机森林模型和极端梯度提升xgboost模型。
52、可选地,所述退服类告警包括网元连接中断告警和小区不可用告警。
53、可选地,所述得到所述基站在预测时间段内产生退服类告警的概率之后,所述操作还包括:
54、确定所述基站在预测时间段内产生退服类告警的概率大于预设阈值,则针对所述基站派发故障工单。
55、第三方面,本技术实施例还提供一种基站退服告警预测装置,包括:
56、预测单元,用于根据基站的历史告警数据和融合预测模型,得到所述基站在预测时间段内产生退服类告警的概率;
57、其中,所述融合预测模型包括多个分预测模型,所述融合预测模型的预测结果根据各所述分预测模型的预测结果和各所述分预测模型对应的权重确定;
58、各所述分预测模型均基于样本告警数据和所述样本告警数据对应的退服告警标签训练得到。
59、第四方面,本技术实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序用于使计算机执行如上所述第一方面所述的基站退服告警预测方法的步骤。
60、本技术实施例提供的基站退服告警预测方法及装置,通过历史告警数据和多模型融合算法预测基站产生退服类告警的概率,相比现有技术,对训练数据源要求较低,且模型训练周期短、模型参数少,降低了对硬件的要求,同时多模型融合准确率高,泛化能力强,可以保证基站退服告警预测的准确率。