对象状态预测方法、系统、计算机设备及存储介质技术方案

本发明专利技术公开一种对象状态预测方法、系统、计算机设备及存储介质，其中对象状态预测方法，包括：根据知识库和关联数据挖掘对监测对象的监测数据指标进行分组，并构建状态分析模型，所述状态分析模型包括：单指标值预测模型、主指标分布预测模型以及对象状态分类预测模型；利用样本数据对状态分析模型进行模型训练，获取计算模型体系；将状态预测对象当前的数据流输入计算模型体系，对对象状态进行预测。本发明专利技术可有效提升设备运维智能化监测。

Object State Prediction Method, System, Computer Equipment and Storage Media

The invention discloses an object state prediction method, system, computer equipment and storage medium, in which object state prediction method includes grouping monitoring data indicators of monitoring objects according to knowledge base and associated data mining, and constructing a state analysis model. The state analysis model includes single index value prediction model, main index distribution prediction model and object. State classification prediction model; use sample data to train the state analysis model and obtain the computing model system; input the current data stream of the state prediction object into the computing model system to predict the state of the object. The invention can effectively improve the intelligent monitoring of equipment operation and maintenance.

【技术实现步骤摘要】
对象状态预测方法、系统、计算机设备及存储介质
本专利技术涉及大数据和人工智能
，尤其涉及一种对象状态预测方法、系统、计算机设备及存储介质。
技术介绍
随着通信产业的不断发展，逐渐形成覆盖全面、质量良好的通信基础设施与通信网络，为各种终端用户实现无线通信。在这一基础通信网络中，大量基站构成其中节点。基站以4G\5G技术为基础，为周边终端设备提供入网、数据交换、通信等服务。一个基站的覆盖范围包括多个服务小区，每个服务小区对基站周边特定空间范围内的终端用户提供通信保障。通信基站与小区在提供无线通信服务的过程中，根据一定的设定条件，对自身设备性能参数进行设置，设备在这一配置参数下对周边的终端用户形成服务供给。在设备运行过程中，受服务区用户数量波动、通信流量变化、周边干扰以及其他小区故障传递等原因，会影响本小区的性能，继而导致通信服务质量下降，表现为小区内用户连接成功率降低、用户网络上下行速度变慢，以及大量网络访问失败等情况。因此，运营商需要针对设备、小区以及基站建立运营保障机制，通过持续检测特定指标，实现对各种异常、失效情况的捕捉与处置，从而降低故障发生的规模、减少故障影响范围，提高终本文档来自技高网...

【技术保护点】
1.一种对象状态预测方法，其特征在于，包括：根据知识库和关联数据挖掘对监测对象的监测数据指标进行分组，并构建状态分析模型，所述状态分析模型包括：单指标值预测模型、主指标分布预测模型以及对象状态分类预测模型；利用样本数据对状态分析模型进行模型训练，获取计算模型体系；将状态预测对象当前的数据流输入计算模型体系，对对象状态进行预测。

【技术特征摘要】
1.一种对象状态预测方法，其特征在于，包括：根据知识库和关联数据挖掘对监测对象的监测数据指标进行分组，并构建状态分析模型，所述状态分析模型包括：单指标值预测模型、主指标分布预测模型以及对象状态分类预测模型；利用样本数据对状态分析模型进行模型训练，获取计算模型体系；将状态预测对象当前的数据流输入计算模型体系，对对象状态进行预测。2.根据权利要求1所述的方法，其特征在于，根据知识库和关联数据挖掘对监测对象的监测数据指标进行分组，具体为：根据知识库从监测对象的监测数据集中筛选出表征模式明确的指标；采用关联挖掘方法进行指标分组，将指标分为主指标和参考指标，其中，主指标直接影响对象状态，参考指标通过关联关系将参考指标的变化传递给主指标。3.根据权利要求1所述的方法，其特征在于，还包括：将各个指标的监测采样数据或预测值进行聚类，形成不同的分布簇；对分布簇序列化处理，获取离散化的采样数据或预测值的分布簇信息。4.根据权利要求3所述的方法，其特征在于，利用样本数据对状态分析模型进行模型训练，获取计算模型体系，具体为：根据参考指标对应的样本数据分布特点选择平滑处理函数，将原始数据转化成数据序列带入构建的单指标值预测模型进行训练迭代，获取稳定的基于时间序列的单指标值预测模型；将参考指标的样本数据的分布簇信息作为训练值带入构建的表示主指标与参考指标关联关系的贝叶斯网络进行训练，获取稳定的多因素关联的主指标分布预测模型；将主指标预测值的分布簇信息作为训练值带入构建的对对象状态预测分类的分类模型中进行训练，获取稳定的对象状态分类预测模型。5.根据权利要求1所述的方法，其特征在于，单指标值预测模型基于时间序列对参考指标进行值预测。6.根据权利要求1所述的方法，其特征在于，主指标分布预测模型采用贝叶斯网络实现多因素关联的主指标分布预测。7.根据权利要求1所述的方法，其特征在于，对象状态分类预测模型采用神经网络实现对对象状态的分类预测。8.根据权利要求7所述的方法，其特征在于，根据接入分析对象的规模...

【专利技术属性】
技术研发人员：郭皓明，武斌，李勤勇，魏闫艳，王之欣，白建秀，
申请(专利权)人：中国科学院软件研究所，
类型：发明
国别省市：北京,11