基站故障预测方法、装置、设备和介质制造方法及图纸

本申请公开了一种基站故障预测方法、装置、电子设备和存储介质，属于通信领域。该方法包括：获取基站的实时特征参数、实时特征参数的采集时间以及每种故障类型对应的平均时间差；将实时特征参数输入至预先训练得到的故障预测模型中进行预测，确定基站的目标故障类型；故障预测模型基于训练数据对图卷积神经网络进行训练得到，训练数据包括历史异常特征参数及历史异常特征参数对应的预设故障类型；将采集时间与目标故障类型对应的平均时间差相加，确定故障时间；故障时间为预测基站发生目标故障类型的故障的时间。这样，能够在较短的时间内基于多个特征维度有效地预测基站故障可能会发生的故障类型以及该类故障将要发生的时间，避免基站故障发生。避免基站故障发生。避免基站故障发生。

【技术实现步骤摘要】
基站故障预测方法、装置、设备和介质


[0001]本申请属于通信领域，具体涉及一种基站故障预测方法、装置、设备和存储介质。

技术介绍

[0002]随着无线通信技术的迅速发展，基站对人们生活的影响越来越大。基站是用来保证通话、视频、上网冲浪等需求的基础设施，使得手机等终端能够随时随地稳定地保持信号连接和数据传输。
[0003]一些情况下，基站会发生故障，影响终端的信号连接和数据传输。其中，基站的故障多种多样，发生故障的原因也错综复杂，现有技术中，基站发生故障后，需要等待维护人员赶到现场进行维修处理，耗费大量的时间成本。

技术实现思路

[0004]本申请实施例的目的是提供一种基站故障预测方法、装置、设备和存储介质，能够解决目前的基站发生故障后，需要等待维护人员赶到现场进行维修处理，耗费大量的时间成本的问题。
[0005]第一方面，本申请实施例提供了一种基站故障预测方法，该方法包括：
[0006]获取基站的实时特征参数、所述实时特征参数的采集时间以及每种故障类型对应的平均时间差；
[0007]将所述实时特征参数输入至预先训练得到的故障预测模型中进行预测，确定所述基站的目标故障类型；所述故障预测模型基于训练数据对图卷积神经网络进行训练得到，所述训练数据包括历史异常特征参数及所述历史异常特征参数对应的预设故障类型；
[0008]将所述采集时间与所述目标故障类型对应的平均时间差相加，确定故障时间；所述故障时间为预测所述基站发生所述目标故障类型的故障的时间。
[0009]可选地，所述将所述实时特征参数输入至预先训练得到的故障预测模型中进行预测，确定所述基站的目标故障类型之前，还包括：
[0010]获取历史异常特征参数及所述历史异常特征参数对应的预设故障类型；
[0011]将历史异常特征参数输入至图卷积神经网络进行预测，确定所述历史异常特征参数对应的预测故障类型；
[0012]计算所述预测故障类型与所述历史异常特征参数对应的预设故障类型的误差值，并基于所述误差值对所述图卷积神经网络的模型参数进行调整，返回所述将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至所述误差值满足预设条件，将调整后的图卷积神经网络作为故障预测模型。
[0013]可选地，所述获取历史异常特征参数及所述历史异常特征参数对应的预设故障类型，包括：
[0014]获取原始特征参数及所述原始特征参数对应的预设故障类型；
[0015]从所述原始特征参数中筛选出取值超出预设范围的候选异常特征参数；
[0016]基于极端梯度提升库XGBoost算法，从所述候选异常特征参数中提取历史异常特征参数；所述历史异常特征参数与所述预设故障类型具有强关联关系。
[0017]可选地，所述计算所述预测故障类型与所述历史异常特征参数对应的预设故障类型的误差值，包括：
[0018]采用交叉熵算法，计算所述预测故障类型与所述历史异常特征参数对应的预设故障类型的误差值。
[0019]可选地，所述基于所述误差值对所述图卷积神经网络的模型参数进行调整，返回所述将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至所述误差值满足预设条件，将调整后的图卷积神经网络作为故障预测模型，包括：
[0020]基于所述误差值，采用随机梯度下降算法对所述图卷积神经网络的模型参数进行调整；
[0021]返回所述将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至所述平均误差值小于预设误差阈值，将调整后的图卷积神经网络作为故障预测模型；所述平均误差值为预设数量的训练数据对应的误差值的平均值。
[0022]可选地，采用如下步骤，获取每种故障类型对应的平均时间差：
[0023]获取所述历史异常特征参数的采集时间及故障时间；所述故障时间为发生历史故障的时间，所述历史故障为采集所述历史异常特征参数后最近发生的故障；
[0024]确定所述采集时间及所述故障时间的时间差，将每种故障类型的历史故障对应的时间差的平均值作为所述平均时间差。
[0025]可选地，所述确定所述采集时间及所述故障时间的时间差，将每种故障类型的历史故障对应的时间差的平均值作为所述平均时间差，包括：
[0026]在所述时间差超过预设时间阈值的情况下，删除对应的历史异常特征参数；
[0027]在所述时间差不超过预设时间阈值的情况下，将每种故障类型的历史故障对应的时间差的平均值作为所述平均时间差。
[0028]第二方面，本申请实施例提供了一种故障预测的装置，该装置包括：
[0029]获取模块，用于获取基站的实时特征参数、所述实时特征参数的采集时间以及每种故障类型对应的平均时间差；
[0030]预测模块，用于将所述实时特征参数输入至预先训练得到的故障预测模型中进行预测，确定所述基站的目标故障类型；所述故障预测模型基于训练数据对图卷积神经网络进行训练得到，所述训练数据包括历史异常特征参数及所述历史异常特征参数对应的预设故障类型；
[0031]确定模块，用于将所述采集时间与所述目标故障类型对应的平均时间差相加，确定故障时间；所述故障时间为预测所述基站发生所述目标故障类型的故障的时间。
[0032]可选地，所述装置还包括训练模块，用于：
[0033]获取历史异常特征参数及所述历史异常特征参数对应的预设故障类型；
[0034]将历史异常特征参数输入至图卷积神经网络进行预测，确定所述历史异常特征参数对应的预测故障类型；
[0035]计算所述预测故障类型与所述历史异常特征参数对应的预设故障类型的误差值，并基于所述误差值对所述图卷积神经网络的模型参数进行调整，返回所述将历史异常特征
参数输入至图卷积神经网络进行预测的步骤，直至所述误差值满足预设条件，将调整后的图卷积神经网络作为故障预测模型。
[0036]可选地，所述训练模块，具体用于：
[0037]获取原始特征参数及所述原始特征参数对应的预设故障类型；
[0038]从所述原始特征参数中筛选出取值超出预设范围的候选异常特征参数；
[0039]基于极端梯度提升库XGBoost算法，从所述候选异常特征参数中提取历史异常特征参数；所述历史异常特征参数与所述预设故障类型具有强关联关系。
[0040]可选地，所述训练模块，具体用于：
[0041]采用交叉熵算法，计算所述预测故障类型与所述历史异常特征参数对应的预设故障类型的误差值。
[0042]可选地，所述训练模块，具体用于：
[0043]基于所述误差值，采用随机梯度下降算法对所述图卷积神经网络的模型参数进行调整；
[0044]返回所述将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至所述平均误差值小于预设误差阈值，将调整后的图卷积神经网络作为故障预测模型；所述平均误差值为预设数量的训练数据对应的误差值的平均值。
[0045]可选地，所述获取模块，具体本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基站故障预测方法，其特征在于，包括：获取基站的实时特征参数、所述实时特征参数的采集时间以及每种故障类型对应的平均时间差；将所述实时特征参数输入至预先训练得到的故障预测模型中进行预测，确定所述基站的目标故障类型；所述故障预测模型基于训练数据对图卷积神经网络进行训练得到，所述训练数据包括历史异常特征参数及所述历史异常特征参数对应的预设故障类型；将所述采集时间与所述目标故障类型对应的平均时间差相加，确定故障时间；所述故障时间为预测所述基站发生所述目标故障类型的故障的时间。2.根据权利要求1所述的基站故障预测方法，其特征在于，所述将所述实时特征参数输入至预先训练得到的故障预测模型中进行预测，确定所述基站的目标故障类型之前，还包括：获取历史异常特征参数及所述历史异常特征参数对应的预设故障类型；将历史异常特征参数输入至图卷积神经网络进行预测，确定所述历史异常特征参数对应的预测故障类型；计算所述预测故障类型与所述历史异常特征参数对应的预设故障类型的误差值，并基于所述误差值对所述图卷积神经网络的模型参数进行调整，返回所述将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至所述误差值满足预设条件，将调整后的图卷积神经网络作为故障预测模型。3.根据权利要求2所述的基站故障预测方法，其特征在于，所述获取历史异常特征参数及所述历史异常特征参数对应的预设故障类型，包括：获取原始特征参数及所述原始特征参数对应的预设故障类型；从所述原始特征参数中筛选出取值超出预设范围的候选异常特征参数；基于极端梯度提升库XGBoost算法，从所述候选异常特征参数中提取历史异常特征参数；所述历史异常特征参数与所述预设故障类型具有强关联关系。4.根据权利要求2所述的基站故障预测方法，其特征在于，所述计算所述预测故障类型与所述历史异常特征参数对应的预设故障类型的误差值，包括：采用交叉熵算法，计算所述预测故障类型与所述历史异常特征参数对应的预设故障类型的误差值。5.根据权利要求2所述的基站故障预测方法，其特征在于，所述基于所述误差值对所述图卷积神经网络的模型参数进行调整，返回所述将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至所述误差值满足预设条件，将调整后的图卷积神经网络作为故障预测模型，包括：基于所述误差值，采用随机梯度下降算法对所述图卷积神经网络的模型参数进行调整；返回所述将历史异常特征参数输入至图卷积神经网络进行预测的步骤，直至所述平均误差值小于预设误差阈值，将调整后的图卷积神经网络作为故障预测模型；所述平均误差值为预设数量的训练数据对应的误差值的平均值。6.根据权利要求1所述的基站故障预测方法，其特征在于，采用如下步骤，获取每种故障类型对应的平均时间差：
获取所述历史异常特征参数的采集时间及故障时间；所述故障时间为发生历史故障的时间，所述历史故障为采集所述历史异常特征参数后最近发生的故障；确定所述采集时间及所述故障时间的时间差，将每种故障类型的历史故障对应的时间差的平均值作为所述平均时间差。7.根据权利要求6所述的基站故障预测方法，其特征在于，所述确定所述采集时间及所述故障时间的时间差，将每种故障类型的历史故障对应的时间差的平均值作为所述平均时间差，包括：在所述时间差超过预设时间阈值的情况下，删除对应的历史异常特征参数；在所述时间差不超过预设时间阈值的情况下，将每种故障类型的历史故障对应的时间差的平均值作为所述平均时间差。8.一种基站故障预测装置，其特征在于，包括：获取模块，用于获取基站的实时特征参数、所述实时特征参数的采集时间以及每种故障类型对应的平均时间差；预测模块，用于将所述实时特征参数输入至预先训练得到的故障预测模型中进行预测，确定所述基站的目标故障类型；所述故障预测模型基于训练数据对图卷积神经网络进行训练得到，所述训练数据包括历史异常特征参数及所述历史异常特征参数对应的预设故障类型；确定模块，用于将所述采集时间与所述目标故障类型对应的平均时间差相加，确定故障时间；所述故障时间为预测所述基站发生所述目标故障类型的故障的时间。9.根据权利要求8所述的基站故障预测装置，其特征在于，所述装置还包括训练模块，用于：获取历史异常特征参数及所述历史异常特征参数对应的预设故障类型；将历史异常特征参数输入至图卷积神经网络进行预测，确定...

【专利技术属性】
技术研发人员：王斌，王婷，
申请(专利权)人：中国电信股份有限公司，
类型：发明
国别省市：