【技术实现步骤摘要】
本申请涉及故障处理时长预测领域，具体涉及到一种网络故障处理时长的预测方法、装置、设备及介质。
技术介绍
1、在通信运营商的网络故障处理工单流程中，多方面的因素均对故障节点处理时长有影响，根据故障节点信息对故障处理时长进行预测，找出故障处理超时的瓶颈点，为运营人员处理网络故障提供参考十分重要。
2、现有技术中，通过排序统计对处理故障节点的单一因素进行分析，为运营人员处理网络故障提供参考。
3、然而，这种简单的排序统计方法难以定位出影响故障处理时长的主要特征，无法定量分析影响处理时长的特征重要性，也无法根据新来的故障处理工单预测节点处理时长。
技术实现思路
1、本申请实施例提供一种网络故障处理时长的预测方法、装置、设备及介质，用以分析影响故障节点处理时长的主要影响特征，预测故障节点的故障处理时长。
2、第一方面，本申请实施例提供一种网络故障处理时长的预测方法，包括：
3、获取故障节点对应的故障数据；
4、将所述故障数据输入至故障处理时长预测模型中，得到所述故障处理时长预测模型输出的预测结果；
5、其中，所述预测结果用于指示所述故障节点的故障处理预测时长，所述故障处理时长预测模型是根据历史故障节点对应的历史故障数据以及历史故障处理时长训练得到的。
6、在一种可能的实施方式中，在获取故障节点对应的故障数据之前，所述方法还包括：
7、获取多个历史故障节点对应的故障节点数据；
8、对多组
9、根据多组历史数字数据，对梯度提升树模型进行训练处理，得到所述故障处理时长预测模型。
10、在一种可能的实施方式中，故障节点数据包括历史故障数据以及历史故障处理时长，其中，故障数据包括：多种类型的故障参数，对多组故障节点数据进行数据处理，得到每组故障节点数据对应的历史数字数据，包括：
11、对所述历史故障数据进行分类转换处理，得到第一数字数据，其中，不同类型的故障参数对应的数字数据不同；
12、对所述历史故障处理时长进行标准化处理，得到第二数字数据，所述第二数字数据用于指示预设数量个处理时长范围；
13、对所述第一数字数据和所述第二数字数据进行汇总处理，得到所述历史数字数据。
14、在一种可能的实施方式中，根据多组历史数字数据，对梯度提升树模型进行训练处理，得到所述故障处理时长预测模型，包括：
15、将所述第一数字数据作为输入数据，将所述第二数字数据作为输出数据，对所述梯度提升树模型进行迭代处理，得到所述梯度提升树模型的超参数；
16、在所述超参数满足预设条件或者迭代次数达到预设次数的情况下，确定训练完成；
17、根据训练完成后的超参数，确定训练完成后的梯度提升树模型的模型参数的参数范围，并基于所述参数范围对训练完成后的梯度提升树模型的模型参数进行优化处理，得到所述故障处理时长预测模型。
18、在一种可能的实施方式中，基于所述参数范围对训练完成后的梯度提升树模型的模型参数进行优化处理，得到所述故障处理时长预测模型，包括：
19、根据所述参数范围，确定多个参数组合及所述参数组合；
20、根据所述参数组合，确定每个超参数组合对应的预测准确率；
21、根据所述预测准确率，确定最佳预测准确率；
22、根据所述最佳预测准确率对应的参数组合，确定故障处理时长预测模型。
23、在一种可能的实施方式中，在对多组故障节点数据进行数据处理，得到每组故障节点数据对应的历史数字数据之前，所述方法还包括：
24、针对所述多组故障节点数据中的任意一组故障节点数据，若所述故障节点数据存在缺失值，则丢弃所述故障节点数据，将丢弃了存在缺失值的故障节点数据作为多组故障节点数据。
25、在一种可能的实现方式中，所述将所述故障数据输入至故障处理时长预测模型中，得到所述故障处理时长预测模型输出的预测结果之后，所述方法还包括：
26、判断所述故障处理预测时长是否大于预设时长；
27、在所述故障处理预测时长大于所述预设时长的情况下，生成预警信息，所述预警信息用于指示所述故障节点的故障处理时长超时。
28、第二方面，本申请实施例提供一种网络故障处理时长的预测装置，包括：
29、获取模块，用于获取故障节点对应的故障数据；
30、预测模块，用于将所述故障数据输入至故障处理时长预测模型中，得到所述故障处理时长预测模型输出的预测结果。
31、在一种可能的实施方式中，该装置还包括：训练模块；用于获取多个历史故障节点对应的故障节点数据；对多组故障节点数据进行数据处理，得到每组故障节点数据对应的历史数字数据；根据多组历史数字数据，对梯度提升树模型进行训练处理，得到所述故障处理时长预测模型。
32、在一种可能的实施方式中，所述故障节点数据包括：历史故障数据以及历史故障处理时长，其中，故障数据包括：多种类型的故障参数，该训练模块，还用于对所述历史故障数据进行分类转换处理，得到第一数字数据，其中，不同类型的故障参数对应的数字数据不同；
33、对所述历史故障处理时长进行标准化处理，得到第二数字数据，所述第二数字数据用于指示预设数量个处理时长范围；
34、对所述第一数字数据和所述第二数字数据进行汇总处理，得到所述历史数字数据。
35、在一种可能的实施方式中，上述训练模块还用于将所述第一数字数据作为输入数据，将所述第二数字数据作为输出数据，对所述梯度提升树模型进行迭代处理，得到所述梯度提升树模型的超参数；在所述超参数满足预设条件或者迭代次数达到预设次数的情况下，确定训练完成；根据训练完成后的超参数，确定训练完成后的梯度提升树模型的模型参数的参数范围，并基于所述参数范围对训练完成后的梯度提升树模型的模型参数进行优化处理，得到所述故障处理时长预测模型。
36、在一种可能的实施方式中，该训练模块，还用于根据所述参数范围，确定多个参数组合及所述参数组合；
37、根据所述参数组合，确定每个超参数组合对应的预测准确率；
38、根据所述预测准确率，确定最佳预测准确率；
39、根据所述最佳预测准确率对应的参数组合，确定故障处理时长预测模型。
40、在一种可能的实施方式中，该装置还包括：处理模块；用于针对所述多组故障节点数据中的任意一组故障节点数据，若所述故障节点数据存在缺失值，则丢弃所述故障节点数据，将丢弃了存在缺失值的故障节点数据作为多组故障节点数据。
41、在一种可能的实施方式中，该装置还包括：预警模块；用于判断所述故障处理预测时长是否大于预设时长；在所述故障处理预测时长大于所述预设时长的情况下，生成预警信息，所述预警信息用于指示所述故障节点的故障处理时长超时本文档来自技高网...
【技术保护点】
1.一种网络故障处理时长的预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述获取故障节点对应的故障数据之前，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述故障节点数据包括：历史故障数据以及历史故障处理时长，其中，故障数据包括：多种类型的故障参数，所述对多组故障节点数据进行数据处理，得到每组故障节点数据对应的历史数字数据，包括：
4.根据权利要求3所述的方法，其特征在于，所述根据多组历史数字数据，对梯度提升树模型进行训练处理，得到所述故障处理时长预测模型，包括：
5.根据权利要求4所述的方法，其特征在于，所述基于所述参数范围对训练完成后的梯度提升树模型的模型参数进行优化处理，得到所述故障处理时长预测模型，包括：
6.根据权利要求2所述的方法，其特征在于，所述对多组故障节点数据进行数据处理，得到每组故障节点数据对应的历史数字数据之前，所述方法还包括：
7.根据权利要求1所述的方法，其特征在于，所述将所述故障数据输入至故障处理时长预测模型中，得到所述故障处理时长预测模型输
8.一种网络故障处理时长的预测装置，其特征在于，包括：
9.一种网络故障处理时长的预测设备，其特征在于，包括：存储器，处理器；
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-7任一项所述的网络故障处理时长的预测方法。
...【技术特征摘要】
1.一种网络故障处理时长的预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述获取故障节点对应的故障数据之前，所述方法还包括：
3.根据权利要求2所述的方法，其特征在于，所述故障节点数据包括：历史故障数据以及历史故障处理时长，其中，故障数据包括：多种类型的故障参数，所述对多组故障节点数据进行数据处理，得到每组故障节点数据对应的历史数字数据，包括：
4.根据权利要求3所述的方法，其特征在于，所述根据多组历史数字数据，对梯度提升树模型进行训练处理，得到所述故障处理时长预测模型，包括：
5.根据权利要求4所述的方法，其特征在于，所述基于所述参数范围对训练完成后的梯度提升树模型的模型参数进行优化处理，得到所述故障处理时...
【专利技术属性】
技术研发人员：杨怀宁，罗贤魁，冉萌，陈斌，蔡超，赵越，张明佳，张峰，秦小飞，郑志远，
申请(专利权)人：中国联合网络通信集团有限公司，
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。