一种光模块性能的预测方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术实施例提供了一种光模块性能的预测方法、装置、电子设备和存储介质，该方法包括：获取待预测性能的目标光模块的历史特征集合；历史特征集合包括在预设的历史时间段内，针对目标光模块记录的至少一个第一历史特征数据；将历史特征集合输入预设预测模型，得到目标预测特征集合；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；根据目标预测特征集合，生成针对目标光模块的性能预测结果。通过本发明专利技术实施例，实现了通过设定迭代次数来建立针对光模块性能的预测模型，既适用于自动化的场景，又减少了确定预测模型中的定阶参数所需要消耗的时间和资源，从而提高了对光模块性能进行预测的效率。预测的效率。预测的效率。

【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，这类方法的预测效果的好坏由定阶参数决定。其中，定阶参数常用如下两种方式确定：
[0005]方式一、使用自相关图和偏自相关图人工确定阶参数，此方式可以找到最优参数，但其主观性大，不适合自动化。
[0006]方式二、使用穷举算法+AIC(Akaike information criterion，信息准则)值来确定定阶参数，此方式也可以找到最优参数，还可以自动化，但是其执行耗时过长。

技术实现思路

[0007]鉴于上述问题，提出了以便提供克服上述问题或者至少部分地解决上述问题的一种光模块性能的预测方法、装置、电子设备和存储介质，包括：
[0008]一种光模块性能的预测方法，所述方法包括：
[0009]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；
[0010]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；
[0011]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。
[0012]可选地，所述方法还包括：
[0013]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；
[0014]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；
[0015]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；
[0016]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；
[0017]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。
[0018]可选地，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：
[0019]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；
[0020]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；
[0021]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；
[0022]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：
[0023]获取所述目标光模块的当前特征数据；
[0024]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。
[0025]可选地，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：
[0026]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；
[0027]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；
[0028]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；
[0029]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；
[0030]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。
[0031]可选地，所述历史特征集合包括按照时间顺序排列的多个第一历史特征数据，每个第一历史特征数据对应一时间点；所述从历史特征集合中，提取出正常特征集合和异常特征集合，包括：
[0032]确定所述历史特征集合中，缺失第一历史特征数据或第一历史特征数据为错误值的第一时间点；
[0033]确定记录有正常的第一历史特征数据，且距离所述第一时间点最近的第二时间
点；
[0034]采用所述第二时间点的第一历史特征数据，对所述第一时间点进行填充；
[0035]按照预设时间间隔，对填充处理后的历史特征集合进行分割，得到至少一组特征子集合；
[0036]若一特征子集合中的所有第一历史特征数据均为正常的特征数据，则将所述一特征子集合作为正常特征集合；
[0037]若一特征子集合中的最后一个第一历史特征数据为异常的特征数据，则将所述一特征子集合作为异常特征集合。
[0038]可选地，所述方法还包括：
[0039]输出所述性能预测结果；
[0040]接收针对所述性能预测结果输入的判定结果；
[0041]当所述判定结果为正确时，将所述正常特征集合和所述异常特征集合作为训练特征集合。
[0042]本专利技术实施例还提供了一种光模块性能的预测装置，所述装置包括：
[0043]获取模块，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本文档来自技高网...

【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：