网络事件预测以及建立网络事件预测模型的方法和装置制造方法及图纸

本发明专利技术公开了一种网络事件预测以及建立网络事件预测模型的方法和装置，该方法包括：根据用户的信令面数据，确定该用户的信令序列数据，该用户的信令面数据包括N个信令数据和该N个信令数据中每个信令数据的时间戳，该N个信令数据中每个信令数据包括信令类型；根据该用户的信令序列数据和第一监督预测模型，确定第一网络事件发生的第一概率值；根据该用户的专家特征数据和第二监督预测模型，确定该第一网络事件发生的第二概率值，该用户的专家特征数据表示该用户的至少一个预设特征的值；根据该第一概率值和该第二概率值，确定该第一网络事件的预测发生概率，提高了预测的准确率，并且减少了网络运行维护的成本。

Method and device for predicting network events and establishing network event prediction model

The invention discloses a network event prediction and prediction method and device model of network events, the method includes: according to the user's data to determine the signaling plane, signaling sequence data of the user, the user data signaling plane includes a time stamp for each signaling data N signaling data and the N signaling data. Each signaling data of the N signaling data including signaling type; according to the user's data signaling sequence and the first supervision prediction model to determine the first probability of first network events; according to the characteristic of the user according to the number of experts and second supervision model, determine the probability of the first second network events, expert data the user said that at least the user a default feature value; according to the first probability value and the second probability value, determine the first network. The prediction probability of the component improves the prediction accuracy and reduces the cost of network operation and maintenance.

【技术实现步骤摘要】
网络事件预测以及建立网络事件预测模型的方法和装置
本专利技术涉及网络质量运行维护领域，并且更具体地，涉及通信领域中网络事件预测以及建立网络事件预测模型的方法和装置。
技术介绍
随着人们需求和通信技术的不断提升，现代通信网络包含了越来越多的网元设备，通信网络的性能可能受到多方面因素的影响，如自然环境条件、周边信号干扰、市政工程及用户分布等。因此，现代的网络运行维护面临了诸多的挑战，当网络监控指标出现大异常时，网络问题可能已经出现，并且给用户的体验带来了影响。因此，网络性能的异常事件的预测与网络故障的预警对网络的运行维护有重要的意义。当前网络的运行维护大量依赖专家经验，由于网络异常事件往往较多，人工的方式通常是将异常事件划分等级，优先处理优先级高的异常事件。即使是这种方式也需要大量的人力投入，一些自动化的工具被引入日常运行维护工作以辅助提升专家的工作效率，这些基于经验规则的工具无法覆盖所有的问题，且在各个网络局点需要投入大量人力对工具进行针对性优化。因此，这种依赖专家经验处理异常事件的方法运行维护成本较大、并且预测的准确度较低。
技术实现思路
本专利技术实施例提供了网络事件预测以及建立网络事件预测模型的方法和装置，提高了预测的准确率，并且减少了网络运行维护的成本。第一方面，提供了一种网络事件预测的方法，该方法包括：根据用户的信令面数据，确定该用户的信令序列数据，该用户的信令面数据包括N个信令数据和该N个信令数据中每个信令数据的时间戳，该N个信令数据中每个信令数据包括信令类型，其中，N为大于或等于1的正整数；根据该用户的信令序列数据和第一监督预测模型，确定第一网络事件发生的第一概率值，该第一监督预测模型表示该用户的信令序列数据与该第一网络事件发生的概率值之间的映射关系；根据该用户的专家特征数据和第二监督预测模型，确定该第一网络事件发生的第二概率值，该用户的专家特征数据表示该用户的至少一个预设特征的值，该第二监督预测模型表示该用户的专家特征数据与该第一网络事件发生的概率值之间的映射关系；根据该第一概率值和该第二概率值，确定该第一网络事件的预测发生概率。本专利技术实施例的一种网络事件预测的方法，通过用户的信令面数据，确定该用户的信令序列数据；根据该用户的信令面数据和第一监督预测模型，确定该用户发生事件的第一概率值；根据该用户的专家特征数据和第二监督预测模型，确定该用户发生该事件的第二概率值；并根据该第一概率值和该第二概率值，确定该用户发生该事件的预测结果，通过不同类型的数据对网络事件进行预测，提高了网络事件预测的准确率。结合第一方面，在第一方面的第一种可能的实现方式中，该根据用户的信令面数据，确定该用户的信令序列数据，包括：根据该用户的N个信令数据，确定与该N个信令数据一一对应的N个信令；根据M个目标信令组和该N个信令，确定该用户的信令序列数据，该用户的信令序列数据表示该N个信令中是否包括按时间顺序排列的mi个目标信令，其中，该M个目标信令组中的第i个目标信令组包括该按时间顺序排列的mi个目标信令，i为小于或等于M，且大于或等于1的正整数，mi为大于或等于1的正整数。结合第一方面或第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，在该根据该第一概率值和该第二概率值，确定该第一网络事件的预测发生概率之前，该方法还包括：根据该用户的信令序列数据和第一非监督预测模型，确定该用户所属的第一分簇，该第一非监督预测模型表示该用户的信令序列数据与用户分簇之间的映射关系，其中，该第一分簇属于该用户分簇；该根据该第一概率值和该第二概率值，确定该第一网络事件的预测发生概率，包括：根据该第一概率值、该第二概率值和该第一分簇，确定该第一网络事件的预测发生概率。结合第一方面或第一方面的第一种可能的实现方式，在第一方面的第三种可能的实现方式中，在该根据该第一概率值和该第二概率值，确定该第一网络事件的预测发生概率之前，该方法还包括：根据该用户的专家特征数据和第二非监督预测模型，确定该用户所属的第二分簇，该第二非监督预测模型表示该用户的专家特征数据与用户分簇之间的映射关系，其中，该第二分簇属于该用户分簇；该根据该第一概率值和该第二概率值，确定该第一网络事件的预测发生概率，包括：根据该第一概率值、该第二概率值和该第二分簇，确定该第一网络事件的预测发生概率。结合第一方面或第一方面的第一种至第三种可能的实现方式中的任一种可能的实现方式，在第一方面的第四种可能的实现方式中，该方法还包括：根据该第一网络事件的预测发生概率，确定该第一网络事件的预测结果，该第一网络事件的预测结果表示该第一网络事件是否发生；获取该第一网络事件的实际发生结果，该第一网络事件的实际发生结果表示该第一网络事件实际是否发生；根据该第一网络事件的预测结果与该第一网络事件的实际发生结果，确定该第一网络事件的预测准确率；当该第一网络事件的预测准确率低于阈值时，更新该第一监督预测模型和该第二监督预测模型中的至少一项。结合第一方面或第一方面的第一种至第四种可能的实现方式中的任一种可能的实现方式，在第一方面的第五种可能的实现方式中，在该根据该用户的信令序列数据和第一监督预测模型，确定第一网络事件发生的第一概率值之前，该方法还包括：根据多个第一样本用户中每个第一样本用户的信令面数据和第一标签信息，确定该每个第一样本用户的信令序列数据，该每个第一样本用户的信令面数据包括N个信令数据和该N个信令数据中每个信令数据的时间戳，该N个信令数据中每个信令数据包括信令类型，该每个第一样本用户的第一标签信息用于表示该每个第一样本用户的第一网络事件实际是否发生，其中，N为大于或等于1的正整数；根据该每个第一样本用户的信令序列数据和第一标签信息，训练第一监督预测模型，该第一监督预测模型表示该每个第一样本用户的信令序列数据与该第一网络事件发生的概率值之间的映射关系。结合第一方面的第五种可能的实现方式，在第一方面的第六种可能的实现方式中，该根据多个第一样本用户中每个第一样本用户的信令面数据和第一标签信息，确定该每个第一样本用户的信令序列数据，包括：根据该多个第一样本用户中每个第一样本用户的信令面数据，确定与该每个第一样本用户的N个信令数据一一对应的N个信令；根据每个第一样本用户的N个信令和该每个第一样本用户的第一标签信息，确定M个目标信令组，该M个目标信令组中的每个目标信令组包括按时间顺序排列的m个目标信令，并且该按时间顺序排列的m个目标信令与该第一标签信息之间存在映射关系，其中，M和m均为大于或等于1的正整数；根据该M个目标信令组和该每个第一样本用户的N个信令，确定该每个第一样本用户的信令序列数据，该每个第一样本用户的信令序列数据表示该每个第一样本用户的N个信令中是否包括按时间顺序排列的mi个目标信令，其中，该M个目标信令组中的第i个目标信令组包括该按时间顺序排列的mi个目标信令，i为小于或等于M，且大于或等于1的正整数，mi为大于或等于1的正整数。结合第一方面或第一方面的第一种至第六种可能的实现方式中的任一种可能的实现方式，在第一方面的第七种可能的实现方式中，在该根据该用户的专家特征数据和第二监督预测模型，确定该用户发生该事件的第二概率值之前，所述方法还包括：根据多个第二样本本文档来自技高网...

【技术保护点】
一种网络事件预测的方法，其特征在于，包括：根据用户的信令面数据，确定所述用户的信令序列数据，所述用户的信令面数据包括N个信令数据和所述N个信令数据中每个信令数据的时间戳，所述N个信令数据中每个信令数据包括信令类型，其中，N为大于或等于1的正整数；根据所述用户的信令序列数据和第一监督预测模型，确定第一网络事件发生的第一概率值，所述第一监督预测模型表示所述用户的信令序列数据与所述第一网络事件发生的概率值之间的映射关系；根据所述用户的专家特征数据和第二监督预测模型，确定所述第一网络事件发生的第二概率值，所述用户的专家特征数据表示所述用户的至少一个预设特征的值，所述第二监督预测模型表示所述用户的专家特征数据与所述第一网络事件发生的概率值之间的映射关系；根据所述第一概率值和所述第二概率值，确定所述第一网络事件的预测发生概率。

【技术特征摘要】
1.一种网络事件预测的方法，其特征在于，包括：根据用户的信令面数据，确定所述用户的信令序列数据，所述用户的信令面数据包括N个信令数据和所述N个信令数据中每个信令数据的时间戳，所述N个信令数据中每个信令数据包括信令类型，其中，N为大于或等于1的正整数；根据所述用户的信令序列数据和第一监督预测模型，确定第一网络事件发生的第一概率值，所述第一监督预测模型表示所述用户的信令序列数据与所述第一网络事件发生的概率值之间的映射关系；根据所述用户的专家特征数据和第二监督预测模型，确定所述第一网络事件发生的第二概率值，所述用户的专家特征数据表示所述用户的至少一个预设特征的值，所述第二监督预测模型表示所述用户的专家特征数据与所述第一网络事件发生的概率值之间的映射关系；根据所述第一概率值和所述第二概率值，确定所述第一网络事件的预测发生概率。2.根据权利要求1所述的方法，其特征在于，所述根据用户的信令面数据，确定所述用户的信令序列数据，包括：根据所述用户的N个信令数据，确定与所述N个信令数据一一对应的N个信令；根据M个预设信令组和所述N个信令，确定所述用户的信令序列数据，所述用户的信令序列数据表示所述N个信令中是否包括按时间顺序排列的mi个预设信令，其中，所述M个预设信令组中的第i个预设信令组包括所述按时间顺序排列的mi个预设信令，i为小于或等于M，且大于或等于1的正整数，mi为大于或等于1的正整数。3.根据权利要求1或2所述的方法，其特征在于，在所述根据所述第一概率值和所述第二概率值，确定所述第一网络事件的预测发生概率之前，所述方法还包括：根据所述用户的信令序列数据和第一非监督预测模型，确定所述用户所属的第一分簇，所述第一非监督预测模型表示所述用户的信令序列数据与用户分簇之间的映射关系，其中，所述第一分簇属于所述用户分簇；所述根据所述第一概率值和所述第二概率值，确定所述第一网络事件的预测发生概率，包括：根据所述第一概率值、所述第二概率值和所述第一分簇，确定所述第一网络事件的预测发生概率。4.根据权利要求1或2所述的方法，其特征在于，在所述根据所述第一概率值和所述第二概率值，确定所述第一网络事件的预测发生概率之前，所述方法还包括：根据所述用户的专家特征数据和第二非监督预测模型，确定所述用户所属的第二分簇，所述第二非监督预测模型表示所述用户的专家特征数据与用户分簇之间的映射关系，其中，所述第二分簇属于所述用户分簇；所述根据所述第一概率值和所述第二概率值，确定所述第一网络事件的预测发生概率，包括：根据所述第一概率值、所述第二概率值和所述第二分簇，确定所述第一网络事件的预测发生概率。5.根据权利要求1至4中任一项所述的方法，其特征在于，所述方法还包括：根据所述第一网络事件的预测发生概率，确定所述第一网络事件的预测结果，所述第一网络事件的预测结果表示所述第一网络事件是否发生；获取所述第一网络事件的实际发生结果，所述第一网络事件的实际发生结果表示所述第一网络事件实际是否发生；根据所述第一网络事件的预测结果与所述第一网络事件的实际发生结果，确定所述第一网络事件的预测准确率；当所述第一网络事件的预测准确率低于阈值时，更新所述第一监督预测模型和所述第二监督预测模型中的至少一项。6.一种建立网络事件预测模型的方法，其特征在于，包括：根据多个第一样本用户中每个第一样本用户的信令面数据和第一标签信息，确定所述每个第一样本用户的信令序列数据，所述每个第一样本用户的信令面数据包括N个信令数据和所述N个信令数据中每个信令数据的时间戳，所述N个信令数据中每个信令数据包括信令类型，所述每个第一样本用户的第一标签信息用于表示所述每个第一样本用户的第一网络事件实际是否发生，其中，N为大于或等于1的正整数；根据所述每个第一样本用户的信令序列数据和第一标签信息，训练第一监督预测模型，所述第一监督预测模型表示所述每个第一样本用户的信令序列数据与所述第一网络事件发生的概率值之间的映射关系；根据多个第二样本用户中每个第二样本用户的专家特征数据和第二标签信息，训练第二监督预测模型，所述每个第二样本用户的专家特征数据表示所述每个第二样本用户的至少一个预设特征的值，所述第二监督预测模型表示所述每个第二样本用户的专家特征数据与所述第一网络事件发生的概率值之间的映射关系，每个第二样本用户的第二标签信息用于表示所述每个第二样本用户的所述第一网络事件实际是否发生；根据所述第一监督预测模型和所述第二监督预测模型，确定第一网络事件预测模型，所述第一网络事件预测模型用于确定所述第一网络事件的预测发生概率。7.根据权利要求6所述的方法，其特征在于，所述根据多个第一样本用户中每个第一样本用户的信令面数据和第一标签信息，确定所述每个第一样本用户的信令序列数据，包括：根据所述多个第一样本用户中每个第一样本用户的信令面数据，确定与所述每个第一样本用户的N个信令数据一一对应的N个信令；根据每个第一样本用户的N个信令和所述每个第一样本用户的第一标签信息，确定M个目标信令组，所述M个目标信令组中的每个目标信令组包括按时间顺序排列的m个目标信令，并且所述按时间顺序排列的m个目标信令与所述第一标签信息之间存在映射关系，其中，M和m均为大于或等于1的正整数；根据所述M个目标信令组和所述每个第一样本用户的N个信令，确定所述每个第一样本用户的信令序列数据，所述每个第一样本用户的信令序列数据表示所述每个第一样本用户的N个信令中是否包括按时间顺序排列的mi个目标信令，其中，所述M个目标信令组中的第i个目标信令组包括所述按时间顺序排列的mi个目标信令，i为小于或等于M，且大于或等于1的正整数，mi为大于或等于1的正整数。8.根据权利要求6或7所述的方法，其特征在于，在所述根据所述第一监督预测模型和所述第二监督预测模型，确定第一网络事件预测模型之前，所述方法还包括：根据所述多个第一样本用户中每个第一样本用户的信令序列数据，训练第一非监督预测模型，所述第一非监督预测模型表示所述每个第一样本用户的信令序列数据与用户分簇之间的映射关系；所述根据所述第一监督预测模型和所述第二监督预测模型，确定第一网络事件预测模型，包括：根据所述第一监督预测模型、所述第二监督预测模型和所述第一非监督预测模型，确定所述第一网络事件预测模型。9.根据权利要求6或7所述的方法，其特征在于，在所述根据所述第一监督预测模型和所述第二监督预测模型，确定第一网络事件预测模型之前，所述方法还包括：根据所述多个第二样本用户中每个第二样本用户的专家特征数据，训练第二非监督预测模型，所述第二非监督预测模型表示所述每个第二样本用户的专家特征数据与用户分簇之间的映射关系；所述根据所述第一监督预测模型和所述...

【专利技术属性】
技术研发人员：张建锋，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：广东,44