小区异常指标检测方法和装置制造方法及图纸

本公开提供一种小区异常指标检测方法和装置。小区异常指标检测方法包括：对每个小区在预定时间范围内的每个原始KPI指标时序数据进行预处理，以生成对应的待处理KPI指标时序数据；对全部待处理KPI指标时序数据进行时序聚类，以得到多个聚类结果；根据第i个小区中的第j个待处理KPI指标时序数据Dij所对应的聚类结果编号k，将时序数据Dij和对应的条件特征输入对应的第k个CVAE模型，以得到对应的重构特征Xij；根据重构特征Xij以及重构特征Xij的均值和标准差计算重构概率；将重构概率小于预设阈值的时间点作为异常时间点，并将时序数据Dij中与异常时间点相对应的数据作为异常特征；根据每个小区的异常时间点和异常特征确定每个小区的异常根因。每个小区的异常根因。每个小区的异常根因。

【技术实现步骤摘要】
小区异常指标检测方法和装置


[0001]本公开涉及通信
，特别涉及一种小区异常指标检测方法和装置。

技术介绍

[0002]移动网用户基数愈发庞大，保障无线网小区的健康稳定运行十分重要，其中对无线网小区发生的异常或是故障进行及时感知就显得尤为重要。由于无线网在通信上的复杂性，判断无线网小区是否出现用户体验异常，需要同时监控数十个KPI指标。现有的无线网小区异常检测技术主要是直接对无线小区多个维度的KPI(Key Performance Indicator，关键绩效指标)分别进行变分自编码建模，从而需要为每个KPI指标建立一个对应的模型。

技术实现思路

[0003]专利技术人通过研究发现，由于在相关技术中，需要为每个KPI指标建立一个对应的模型，因此操作难度大，研发周期长，且模型部署数量巨大，无法准确确定小区异常的故障根因。
[0004]据此，本公开提供一种小区异常指标检测方案，通过聚类处理能够有效降低模型部署数量，同时对形态相似的KPI指标用同一CVAE模型进行预测，能取得较好的准确率，并能方便快捷地确定小区异常的故本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种小区异常指标检测方法，包括：对每个小区在预定时间范围内的每个原始KPI指标时序数据进行预处理，以生成对应的待处理KPI指标时序数据；对全部待处理KPI指标时序数据进行时序聚类，以得到多个聚类结果；根据第i个小区中的第j个待处理KPI指标时序数据Dij所对应的聚类结果编号k，将时序数据Dij和对应的条件特征输入对应的第k个条件变分自编码器神经网络CVAE模型，以得到对应的重构特征Xij，其中所述条件特征包括第i个小区的类型标识和时序数据Dij的特征编号，1≤i≤M，M为小区总数，1≤j≤N，N为KPI指标总数，1≤k≤Q，Q为聚类结果总数；根据重构特征Xij以及重构特征Xij的均值和标准差计算重构特征Xij在预定时间范围内的每个时间点上的重构概率；将重构概率小于预设阈值的时间点作为异常时间点，并将时序数据Dij中与异常时间点相对应的数据作为异常特征；根据每个小区的异常时间点和异常特征确定每个小区的异常根因。2.根据权利要求1所述的方法，其中，将时序数据Dij和对应的条件特征输入对应的第k个条件变分自编码器神经网络CVAE模型，以得到对应的重构特征Xij包括：将时序数据Dij和对应的条件特征输入第一隐藏层，以得到第一输出特征；分别将第一输出特征输入第一线性层和第一激活函数层，以便第一线性层输出第二输出特征，第一激活函数层输出第三输出特征；利用第二输出特征和第三输出特征生成隐向量，其中第二输出特征包括隐向量的均值，第三输出特征包括隐向量的标准差；将对应的条件特征和隐向量输入第二隐藏层，以得到第四输出特征；分别将第四输出特征输入第二线性层和第二激活函数层，以便第二线性层输出第五输出特征，第二激活函数层输出第六输出特征；利用第五输出特征和第六输出特征生成重构特征Xij，其中第五输出特征包括重构特征Xij的均值，第六输出特征包括重构特征Xij的标准差。3.根据权利要求1所述的方法，其中，在对全部待处理KPI指标时序数据进行时序聚类过程中，以任意两个时序数据之间的互相关系数作为聚类依据。4.根据权利要求1所述的方法，其中，重构特征Xij在每个时间点上的重构概率为重构特征Xij在每个时间点上的多维正态概率密度。5.根据权利要求1所述的方法，其中，对每个小区在预定时间范围内的每个原始KPI指标时序数据进行预处理包括：将每个原始KPI指标时序数据进行归一化处理，以得到归一化时序数据；消除归一化时序数据中的残差，以生成对应的待处理KPI指标时序数据。6.根据权利要求1
‑
5中任一项所述的方法，还包括：对机器学习模型进行训练以得到与指定KPI指标特征相对应的CVAE模型；其中，对机器学习模型进行训练包括：将样本数据和构造的条件特征输入第一隐藏层，以得到第一输出特征，其中构造的条
件特征包括样本小区的类型标识和指定KPI指标特征编号；分别将第一输出特征输入第一线性层和第一激活函数层，以便第一线性层输出第二输出特征，第一激活函数层输出第三输出特征；利用第二输出特征和第三输出特征生成隐向量，其中第二输出特征包括隐向量的均值，第三输出特征包括隐向量的标准差；将构造的条件特征和隐向量输入第二隐藏层，以得到第四输出特征；分别将第四输出特征输入第二线性层和第二激活函数层，以便第二线性层输出第五输出特征，第二激活函数层输出第六输出特征；利用第五输出特征和第六输出特征生成重构特征，其中第五输出特征包括重构特征的均值，第六输出特征包括重构特征的标准差；根据重构特征和样本数据确定损失函数，利用损失函数对第一隐藏层、第一线性层、第一激活函数层、第二隐藏层、第二线性层和第二激活函数层进行训练，以得到与指定KPI指标特征相对应的CVAE模型。7.一种小区异常指标检测装置，包括：预处理模块，被配置为对每个小区在预定时间范围内的每个原始KPI指标时序数据进行预处理，以生成对应的待处...

【专利技术属性】
技术研发人员：陆顺，钱兵，王兵，陈桦，刘铁军，田波，赵龙刚，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：