一种基于机器学习的ONU客户侧断电智能判断方法技术

一种基于机器学习的ONU客户侧断电智能判断方法，根据部分ONU固定时段客户自行断电导致ONU上报告警的现象，利用K

【技术实现步骤摘要】
一种基于机器学习的ONU客户侧断电智能判断方法


[0001]本专利技术涉及通信传输业务
，特别是一种基于机器学习的ONU客户侧断电智能判断方法，根据部分ONU固定时段客户自行断电导致ONU上报告警的现象，利用K
‑
means聚类算法，分析得到一个能高效快速地检测ONU客户侧断电的模型，省去了维护人员手动拨打电话与客户联系以确认是否客户自行断电导致故障告警的环节，而先行判断ONU断电告警是否疑似客户侧断电引起，并直接进行标记以分类处理，从而降低人力成本，减少故障处理等待时间，缩减ONU断电故障工单量，有效提升故障工单派发准确率和处理效率。

技术介绍

[0002]目前通信运营商存在大量家庭宽带客户在固定时间将家用光猫ONU断电(ONU，Optical Network Unit，光网络单元，接收OLT发送的广播数据，OLT，optical line terminal，光线路终端)，导致ONU上报告警，触发运营商故障中心派发故障工单。该类故障，目前维护人员只能通过手动拨打电话与客户联系，确认是否客户断电导致故障，如果是客户断电的情况维护人员无法对故障进行处理，只有客户回家才能重开电闸，故障才能自动恢复，运维人员需要等故障恢复后才能结束故障工单。该情况既浪费了维护人员故障询问、回单时间，又常引起维护人员因未及时回单被考核。
[0003]为了有效的解决家用光猫ONU断电故障工单处理耗时长以及人力资源紧张的问题，本专利技术以机器学习为基础背景，提出了基于机器学习的K
‑
means聚类算法(K
‑
means又称K均值，是一种聚类算法)进行ONU客户侧断电智能检测方法，旨在利用机器学习在对大规模数据集进行聚类分析时聚类高效且聚类效果好的特点，来解决现有ONU断电无法判断是客户侧还是运营商测的问题，实现ONU客户侧断电的智能判断。

技术实现思路

[0004]本专利技术针对现有技术中的不足，提供一种基于机器学习的ONU客户侧断电智能判断方法，根据部分ONU固定时段客户自行断电导致ONU上报告警的现象，利用K
‑
means聚类算法，分析得到一个能高效快速地检测ONU客户侧断电的模型，省去了维护人员手动拨打电话与客户联系以确认是否客户自行断电导致故障告警的环节，而先行判断ONU断电告警是否疑似客户侧断电引起，并直接进行标记以分类处理，从而降低人力成本，减少故障处理等待时间，缩减ONU断电故障工单量，有效提升故障工单派发准确率和处理效率。
[0005]本专利技术的技术解决方案如下：
[0006]一种基于机器学习的ONU客户侧断电智能判断方法，其特征在于，根据ONU运维中存在固定时段客户自行断电导致ONU上报告警的现象，利用K
‑
means聚类算法，分析得到一个检测ONU客户侧断电的模型以先行判断ONU断电告警是否疑似客户侧断电引起，并直接进行标记以分类处理，能够省去维护人员手动拨打电话与客户联系以确认是否客户自行断电导致故障告警的环节，从而降低人力成本，减少故障处理等待时间，缩减ONU断电故障工单量，有效提升故障工单派发准确率和处理效率。
[0007]包括以下步骤：
[0008]步骤1，采集到ONU掉电告警；
[0009]步骤2，针对ONU掉电告警进行资源定位；
[0010]步骤3，通过K
‑
means机器学习模型进行资源及告警时段识别；
[0011]步骤4，判断是否资源一致且满足疑似客户侧断电时段，如果是，则依次经过步骤5a～步骤7a后进入步骤8，如果否，则依次经过步骤5b～至步骤7b后进入步骤8；
[0012]步骤5a，打上疑似客户侧断电标志；
[0013]步骤6a，派发通知工单；
[0014]步骤7a，维护人员接单并填写预计恢复时间；
[0015]步骤5b，无疑似客户侧断电标志；
[0016]步骤6b，派发故障工单；
[0017]步骤7b，维护人员接单并处理故障，等收到清除告警；
[0018]步骤8，回单；
[0019]步骤9，归档。
[0020]所述步骤1中的ONU掉电告警包括以下一种或多种：分支光纤断或OLT检测不到ONT的预期光信号LOSi/LOBi；GPON告警中的ONU掉线；GPON告警中的ONU信号失效；GPON告警中的ONU信号丢失；链接告警中的LINK_LOSS。
[0021]所述步骤2中包括运营商故障中心通过与资源管理系统接口获取资源数据，定位匹配ONU掉电告警的设备归属客户信息及区域信息是否完整，如果不完整则结束流程，如果完整则进入步骤3。
[0022]所述步骤3中包括将ONU掉电告警的ONU名称、归属客户信息、归属区域信息和告警发生时间传入K
‑
means机器学习模型，模型对告警数据进行检测和识别，对资源一致且满足疑似客户侧断电时段的告警，打上疑似客户侧断电标志。
[0023]所述步骤3中包括以下步骤：
[0024]步骤K1，收集ONU掉电历史告警；
[0025]步骤K2，对ONU掉电历史告警抽样分析；
[0026]步骤K3，根据抽样分析选取按时间序列的K
‑
means聚类算法；
[0027]步骤K4，通过K
‑
means聚类算法计算得到聚类簇；
[0028]步骤K5，根据计算结果存储ONU网元资源及客户侧断电时段信息。
[0029]所述步骤K1中包括从故障中心历史告警库中，提取ONU掉电告警的资源、发生时间和恢复时间，并提取对应告警相关故障工单的故障原因，分析派单量超过50张的ONU样本超过160个，或者派单量超过20张的ONU样本超过1000个。
[0030]所述步骤K2中包括将故障原因为客户侧断电的对应告警的发生时间和恢复时间进行散点图处理，以发现部分ONU掉电告警发生时间和恢复时间所存在的规律性。
[0031]所述步骤K3中的K
‑
means聚类算法采用以下算法公式：
[0032][0033]其中k表示k个聚类中心，聚类中心按照时间段设置，ci表示第i个聚类中心，i为正
整数，dist表示欧几里得距离，x表示属于ci中的对象，X表示ci中的对象个数，min为取最小值算法。
[0034]所述步骤K4中，每个聚类簇均具有中心点参数和簇半径参数。
[0035]所述步骤K5中包括通过不断积累的训练样本数据，每日对派单频次高的ONU进行分析，挖掘并更新疑似用户断电习惯的时间段，将实时告警与该时间段进行比对，满足时间段的告警派发通知工单，不满足时间段的告警派发故障工单。
[0036]本专利技术的技术效果如下：本专利技术一种基于机器学习的ONU客户侧断电智能判断方法，针对现阶段ONU断电故障是通过派发故障工单，维护人员接单后，通过手动拨打电话与客户联系，确认是否客户断电导致故障，其投入的人力成本较高、耗时较长等状况，根据本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的ONU客户侧断电智能判断方法，其特征在于，根据ONU运维中存在固定时段客户自行断电导致ONU上报告警的现象，利用K
‑
means聚类算法，分析得到一个检测ONU客户侧断电的模型以先行判断ONU断电告警是否疑似客户侧断电引起，并直接进行标记以分类处理，能够省去维护人员手动拨打电话与客户联系以确认是否客户自行断电导致故障告警的环节，从而降低人力成本，减少故障处理等待时间，缩减ONU断电故障工单量，有效提升故障工单派发准确率和处理效率。2.根据权利要求1所述的基于机器学习的ONU客户侧断电智能判断方法，其特征在于，包括以下步骤：步骤1，采集到ONU掉电告警；步骤2，针对ONU掉电告警进行资源定位；步骤3，通过K
‑
means机器学习模型进行资源及告警时段识别；步骤4，判断是否资源一致且满足疑似客户侧断电时段，如果是，则依次经过步骤5a～步骤7a后进入步骤8，如果否，则依次经过步骤5b～至步骤7b后进入步骤8；步骤5a，打上疑似客户侧断电标志；步骤6a，派发通知工单；步骤7a，维护人员接单并填写预计恢复时间；步骤5b，无疑似客户侧断电标志；步骤6b，派发故障工单；步骤7b，维护人员接单并处理故障，等收到清除告警；步骤8，回单；步骤9，归档。3.根据权利要求2所述的基于机器学习的ONU客户侧断电智能判断方法，其特征在于，所述步骤1中的ONU掉电告警包括以下一种或多种：分支光纤断或OLT检测不到ONT的预期光信号LOSi/LOBi；GPON告警中的ONU掉线；GPON告警中的ONU信号失效；GPON告警中的ONU信号丢失；链接告警中的LINK_LOSS。4.根据权利要求2所述的基于机器学习的ONU客户侧断电智能判断方法，其特征在于，所述步骤2中包括运营商故障中心通过与资源管理系统接口获取资源数据，定位匹配ONU掉电告警的设备归属客户信息及区域信息是否完整，如果不完整则结束流程，如果完整则进入步骤3。5.根据权利要求2所述的基于机器学习的ONU客户侧断电智能判断方法，其特征在于，所述步骤3中包括将ONU掉电告警的ONU名称、归属客户信息、归属...

【专利技术属性】
技术研发人员：徐巍，唐慧，
申请(专利权)人：北京直真科技股份有限公司，
类型：发明
国别省市：