针对移动通信系统的系统状态预测方法及装置与流程

本技术涉及移动通信，特别是涉及一种针对移动通信系统的系统状态预测方法及装置。

背景技术：

1、移动通信系统是通信系统的重要组成部分，利用综合业务数字网和互联网综合组网，使“移动通信网”与“运动通信网”有机融合、取长补短，并可通过升空平台通信系统和机动卫星通信系统扩展通信覆盖范围，从而构成一体化的通信系统。相较于民用信息通信系统，移动通信系统呈现设备种类多、终端种类多、运行环境复杂多变的特性。

2、目前针对通信系统的运维状态预测技术大多集中于民用通信系统上，民用通信系统一般设置于机房中，机房内部的环境较为稳定，且设备之间间隔较远，互相之间的影响可以忽略不计。

3、然而，移动通信系统的运行环境比民用通信系统复杂得多，而且在移动通信系统中各设备之间距离较近，设备运行时容易对临近的其他设备造成影响。若采用现有技术中针对民用通信系统进行运维状态预测的方式，则需要考虑到的影响因素极多，使得建模复杂，预测计算量高，移动通信系统可能无法承担系统状态预测所需的计算量。

技术实现思路

1、基于此，有必要针对上述技术问题，提供一种针对移动通信系统的系统状态预测方法及装置。

2、第一方面，本技术提供了一种针对移动通信系统的系统状态预测方法。所述方法包括：

3、获取通信系统中各子系统的系统参数，根据各所述子系统的系统参数分别构建各所述子系统对应的子向量，并根据各所述子向量构建所述通信系统的系统状态向量，其中，所述系统参数包括运行参数和/或检测到的环境参数；

4、分别确定所述系统状态向量和多个系统状态聚类结果之间的聚类距离，并根据各所述聚类距离，确定所述系统状态向量对应的目标系统状态聚类结果，其中，所述系统状态聚类结果中包括至少一个历史系统状态向量，所述历史系统状态向量为在历史系统状态预测中构建的系统状态向量；

5、将所述目标系统状态聚类结果对应的系统预测状态，作为目标系统预测状态。

6、在其中一个实施例中，所述获取通信系统中各子系统的系统参数之前，所述方法还包括：

7、获取各所述历史系统状态向量，及各所述历史系统状态向量对应的所述系统预测状态；

8、针对任一所述系统预测状态，对所述系统预测状态对应的各所述历史系统状态向量进行层次聚类处理，得到所述系统预测状态对应的多个所述系统状态聚类结果。

9、在其中一个实施例中，所述对所述系统预测状态对应的各所述历史系统状态向量进行层次聚类处理，得到所述系统预测状态对应的多个所述系统状态聚类结果，包括：

10、将各所述历史系统状态向量分别作为临时系统状态聚类结果，并分别确定各所述临时系统状态聚类结果对应的聚类向量；

11、确定所述聚类向量中每两个所述聚类向量之间的向量距离，并将各所述向量距离中最小的向量距离作为目标向量距离；

12、在所述目标向量距离大于向量距离阈值的情况下，将各所述临时系统状态聚类结果作为各所述系统状态聚类结果，或者；

13、在所述目标向量距离小于或者等于所述向量距离阈值的情况下，将所述目标向量距离对应的两个聚类向量所对应的所述临时系统状态聚类结果，合并为一个临时系统状态聚类结果，并跳转至分别确定各所述临时系统状态聚类结果对应的聚类向量的步骤。

14、在其中一个实施例中，所述分别确定所述系统状态向量和多个系统状态聚类结果之间的聚类距离，包括：

15、针对任一所述系统状态聚类结果对应的所述聚类向量，分别确定所述聚类向量的各子向量和所述系统状态向量的各所述子向量之间的子向量距离；

16、根据各所述子向量距离，确定所述聚类向量和所述系统状态向量之间的向量距离，并将所述向量距离作为所述系统状态向量和所述系统状态聚类结果之间的聚类距离。

17、在其中一个实施例中，所述获取通信系统中各子系统的系统参数之前，所述方法还包括：

18、在所述通信系统中存在目标子系统，和/或各所述历史系统状态向量中存在目标子向量的情况下，对各所述历史系统状态向量进行调整，以使得调整后的各所述历史系统状态向量的各所述子向量，和所述通信系统中的各所述子系统一一对应，其中，所述目标子系统为与任一所述子向量均不存在对应关系的子系统，所述目标子向量为与任一所述子系统均不存在对应关系的子向量；

19、对各所述历史系统状态向量重新进行聚类处理，得到多个所述系统状态聚类结果。

20、在其中一个实施例中，在所述通信系统中存在目标子系统，和/或各所述历史系统状态向量中存在目标子向量的情况下，对各所述历史系统状态向量进行调整，包括：

21、在存在目标子系统的情况下，在各所述历史系统状态向量中增加所述目标子系统对应的子向量；

22、在存在目标子向量的情况下，将所述目标子向量从各所述历史系统状态向量中删除。

23、在其中一个实施例中，所述方法还包括：

24、在接收到状态调整指令的情况下，将所述系统状态向量对应的所述系统预测状态调整为所述状态调整指令指示的系统预测状态；

25、将系统预测状态调整后的所述系统状态向量作为所述历史系统状态向量。

26、第二方面，本技术还提供了一种针对移动通信系统的系统状态预测装置。所述装置包括：

27、构建模块，用于获取通信系统中各子系统的系统参数，根据各所述子系统的系统参数分别构建各所述子系统对应的子向量，并根据各所述子向量构建所述通信系统的系统状态向量，其中，所述系统参数包括运行参数和/或检测到的环境参数；

28、确定模块，用于分别确定所述系统状态向量和多个系统状态聚类结果之间的聚类距离，并根据各所述聚类距离，确定所述系统状态向量对应的目标系统状态聚类结果，其中，所述系统状态聚类结果中包括至少一个历史系统状态向量，所述历史系统状态向量为在历史系统状态预测中构建的系统状态向量；

29、第一处理模块，用于将所述目标系统状态聚类结果对应的系统预测状态，作为目标系统预测状态。

30、在其中一个实施例中，所述装置还包括：

31、获取模块，用于获取各所述历史系统状态向量，及各所述历史系统状态向量对应的所述系统预测状态；

32、第一聚类模块，用于针对任一所述系统预测状态，对所述系统预测状态对应的各所述历史系统状态向量进行层次聚类处理，得到所述系统预测状态对应的多个所述系统状态聚类结果。

33、在其中一个实施例中，所述第一聚类模块，还用于：

34、将各所述历史系统状态向量分别作为临时系统状态聚类结果，并分别确定各所述临时系统状态聚类结果对应的聚类向量；

35、确定所述聚类向量中每两个所述聚类向量之间的向量距离，并将各所述向量距离中最小的向量距离作为目标向量距离；

36、在所述目标向量距离大于向量距离阈值的情况下，将各所述临时系统状态聚类结果作为各所述系统状态聚类结果，或者；

37、在所述目标向量距离小于或者等于所述向量距离阈值的情况下，将所述目标向量距离对应的两个聚类向量所对应的所述临时系统状态聚类结果，合并为一个临时系统状态聚类结果，并跳转至分别确定各所述临时系统状态聚类结果对应的聚类向量的步骤。

38、在其中一个实施例中，所述确定模块，还用于：

39、针对任一所述系统状态聚类结果对应的所述聚类向量，分别确定所述聚类向量的各子向量和所述系统状态向量的各所述子向量之间的子向量距离；

40、根据各所述子向量距离，确定所述聚类向量和所述系统状态向量之间的向量距离，并将所述向量距离作为所述系统状态向量和所述系统状态聚类结果之间的聚类距离。

41、在其中一个实施例中，所述装置还包括：

42、第一调整模块，用于在所述通信系统中存在目标子系统，和/或各所述历史系统状态向量中存在目标子向量的情况下，对各所述历史系统状态向量进行调整，以使得调整后的各所述历史系统状态向量的各所述子向量，和所述通信系统中的各所述子系统一一对应，其中，所述目标子系统为与任一所述子向量均不存在对应关系的子系统，所述目标子向量为与任一所述子系统均不存在对应关系的子向量；

43、第二聚类模块，用于对各所述历史系统状态向量重新进行聚类处理，得到多个所述系统状态聚类结果。

44、在其中一个实施例中，所述第一调整模块，还用于：

45、在存在目标子系统的情况下，在各所述历史系统状态向量中增加所述目标子系统对应的子向量；

46、在存在目标子向量的情况下，将所述目标子向量从各所述历史系统状态向量中删除。

47、在其中一个实施例中，所述装置还包括：

48、第二调整模块，用于在接收到状态调整指令的情况下，将所述系统状态向量对应的所述系统预测状态调整为所述状态调整指令指示的系统预测状态；

49、第二处理模块，用于将系统预测状态调整后的所述系统状态向量作为所述历史系统状态向量。

50、第三方面，本技术还提供了一种计算机设备。所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以上任一项方法。

51、第四方面，本技术还提供了一种计算机可读存储介质。所述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以上任一项方法。

52、第五方面，本技术还提供了一种计算机程序产品。所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以上任一项方法。

53、上述针对移动通信系统的系统状态预测方法及装置，根据通信系统中各子系统的系统参数(包括运行参数和环境参数)构建得到子向量，进而根据各子向量获得通信系统的系统状态向量，并通过聚类算法确定系统状态向量属于的系统状态聚类结果，进而得到系统状态向量对应的目标系统预测状态。本技术实施例将移动通信系统作为一个整体进行向量建模，且向量中考虑移动通信系统中的所有子系统和子系统的运行参数及检测到的环境参数，通过将通信系统作为一个向量进行处理，并使得环境参数也参与至系统状态之间距离的计算之中，能够在计算距离时考虑到环境的影响和各子系统之间互相的影响，在对通信系统进行简单建模降低计算量的基础上，仍保留系统状态预测的精度。