基站故障的预测方法及装置制造方法及图纸

本发明专利技术实施例提供一种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。本发明专利技术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。

【技术实现步骤摘要】
基站故障的预测方法及装置
本专利技术实施例涉及通信维护
，更具体地，涉及基站故障的预测方法及装置。
技术介绍
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。
技术实现思路
本专利技术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，本专利技术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，本专利技术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，本专利技术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，本专利技术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。本专利技术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。本专利技术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专利技术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专利技术的一些实施例，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为本专利技术实施例提供的基站故障的预测方法的流程示意图；图2为本专利技术实施例提供的基站故障的预测装置的结构示意图；图3为本专利技术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专利技术实施例的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术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专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都属于本专利技术保护的范围。为了克服现有技术的上述问题，本专利技术实施例提供了一种基站故障的预测方法，其专利技术构思为：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为本专利技术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，本专利技术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。本专利技术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。本专利技术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本文档来自技高网...

【技术保护点】
1.一种基站故障的预测方法，其特征在于，包括：/n获取对基站故障有关联的两种影响因素的特征值；/n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；/n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。/n

【技术特征摘要】
1.一种基站故障的预测方法，其特征在于，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。


2.根据权利要求1所述的预测方法，其特征在于，所述两种影响因素为基站上下行流量总和与小区切入成功率。


3.根据权利要求1所述的预测方法，其特征在于，所述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；
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；
对所述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。


4.根据权利要求3所述的预测方法，其特征在于，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。


5.根据权利要求3所述的预测方法，其特征在于，对所述两种影响因素的特征值进...

【专利技术属性】
技术研发人员：何振华，蒋智勇，李敦宏，
申请(专利权)人：中国移动通信集团湖南有限公司，
类型：发明
国别省市：湖南;43