【技术实现步骤摘要】
一种光模块性能的预测方法、装置、电子设备和存储介质
[0001]本专利技术涉及检测的
,特别是涉及一种光模块性能的预测方法、装置、电子设备和存储介质。
技术介绍
[0002]作为各类用户和网络设施如光传输、路由器、交换机的对外通信接口,光模块越来越成为通信网络和用户网络中必不可少的一个组成部分。由于光模块工作场景多样,工作环境恶劣,其运行状态受到多种因素影响,长期运行后,其性能会逐步下降而“老化”。老化会给相关设施带来异常和故障,例如用户应用出现丢包、传输系统出现误码、光功率不稳定等现象。但由于光模块质量数据呈现多源而且混杂的特性,因此在排查起来很难快速定位到光模块,会给维护人员带来较大困扰。难以做到精准排查。
[0003]现有如特征识别、分类智能算法等预测方法中,特征识别存在分解层数难以选择、易受噪声影响的缺陷;分类智能算法如神经网络等,不合适光模块性能数据这类依赖时序、非线性、随机性及突发性都比较强的场景。另外,大模型比如DNN(Deep Neural Networks,深度神经网络)+GRU(Gated RecurrentUnit,门控循环单元)这种大型算法模型,则需要对训练和预测做分离处理,预测效率高但训练效率低。
[0004]由于光模块的特征数据(例如:时间、光功率)都是时序性强的数据,因为,可以使用时序分析预测方法如SARIMA(Seasonal Autoregressive IntegratedMovingAverage,季节性差分自回归滑动平均模型)来进行预测;但是,这类方法的预 ...
【技术保护点】
【技术特征摘要】
1.一种光模块性能的预测方法,其特征在于,所述方法包括:获取待预测性能的目标光模块的历史特征集合;所述历史特征集合包括在预设的历史时间段内,针对所述目标光模块记录的至少一个第一历史特征数据;将所述历史特征集合输入预设预测模型,得到目标预测特征集合;所述预设预测模型中的目标定阶参数是采用粒子群优化算法PSO迭代计算至预设迭代次数时确定的;根据所述目标预测特征集合,生成针对所述目标光模块的性能预测结果。2.根据权利要求1所述的方法,其特征在于,所述方法还包括:获取至少一组训练特征集合,所述至少一组训练特征集合包括针对至少一个光模块记录的至少一个第二历史特征数据,所述至少一个光模块至少包括所述目标光模块;获取针对定阶参数设定的约束范围,并对一训练特征集合使用穷举算法搜索在所述约束范围内最小信息准则AIC值对应的第一定阶参数;对所述一训练特征集合使用PSO搜索所述约束范围内的第二定阶参数,并确定对应的迭代次数;所述第二定阶参数的AIC值与所述第一定阶参数对应的AIC值相等;将所有训练特征集合对应的迭代次数中,数值最大的迭代次数作为预设迭代次数;采用PSO迭代计算所述预设预测模型中的定阶参数,并在迭代次数达到所述预设迭代次数时,输出目标定阶参数。3.根据权利要求1所述的方法,其特征在于,所述将所述历史特征集合输入预设预测模型,得到目标预测特征集合,包括:从历史特征集合中,提取出正常特征集合和异常特征集合;正常特征集合中的第一历史特征数据均为正常的特征数据,异常特征集合包括至少一个异常的第一历史特征数据;将所述正常特征集合输入预设预测模型,得到第一预测特征集合;将所述异常特征集合输入预设预测模型,得到第二预测特征集合;所述根据所述目标预测特征集合,生成针对所述目标光模块的性能预测结果,包括:获取所述目标光模块的当前特征数据;根据所述当前特征数据,以及所述第一预测特征集合和所述第二预测特征集合,生成针对所述目标光模块的性能预测结果。4.根据权利要求3所述的方法,其特征在于,所述第一预测特征集合和所述第二预测特征集合分别包括至少一个预测特征数据,所述根据所述当前特征数据,以及所述第一预测特征集合和所述第二预测特征集合,生成针对所述目标光模块的性能预测结果,包括:根据所述第一预测特征集合中的至少一个预测特征数据,确定第一标准差和第一平均值;以及,根据所述第二预测特征集合中的至少一个预测特征数据,确定第二标准差和第二平均值;获取所述目标光模块的当前特征数据,并确定所述当前特征数据与所述第一平均值的第一差值绝对值,以及所述第一差值绝对值与所述第一标准差的第一比值;确定所述异常特征集合中的异常特征数据与所述第二平均值的第二差值绝对值,以及所述第二差值绝对值与所述第二标准差的第二比值;当所述第一比值大于所述第二比值时,生成表示异常的性能预测结果;当所述第一比值不大于所述第二比值时,生成表示正常的性能预测结果。5....
【专利技术属性】
技术研发人员:明健,王翀,张鹏,李欢欢,
申请(专利权)人:中国电信股份有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。