CN112367678A - 一种微基站监控方法及装置、存储介质 - Google Patents
一种微基站监控方法及装置、存储介质 Download PDFInfo
- Publication number
- CN112367678A CN112367678A CN202011100600.7A CN202011100600A CN112367678A CN 112367678 A CN112367678 A CN 112367678A CN 202011100600 A CN202011100600 A CN 202011100600A CN 112367678 A CN112367678 A CN 112367678A
- Authority
- CN
- China
- Prior art keywords
- information
- monitoring
- base station
- alarm
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012549 training Methods 0.000 claims description 70
- 238000012545 processing Methods 0.000 claims description 28
- 238000013528 artificial neural network Methods 0.000 claims description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 18
- 238000010801 machine learning Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 14
- 238000010438 heat treatment Methods 0.000 claims description 6
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000011084 recovery Methods 0.000 abstract description 3
- 238000013024 troubleshooting Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 230000015654 memory Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000007787 long-term memory Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007637 random forest analysis Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 230000011664 signaling Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000344 soap Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Networks & Wireless Communication (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种微基站监控方法及装置、存储介质,所述的方法包括：获取微基站的运行信息；对微基站的运行信息进行分类，得到对应的告警信息、控制信息和监控信息；将告警信息输入预先构建的自动告警识别模型，得到故障告警预测结果；并将控制信息和监控信息输入预先构建的设备离网预测模型中，得到设备离网预测结果；将故障告警预测结果和所述设备离网预测结果发送给监控中心。由于对微基站的运行信息进行分类后，再针对不同类别的运行信息进行深度学习，能够精确预测故障和离网设备，有效降低微基站运维人员的工作难度，提供更精准的状态监控及故障排查和自恢复。
Description
技术领域
本发明涉及基站通信技术领域，具体涉及一种微基站监控方法及装置、存储介质。
背景技术
随着5G的发展，单个基站的覆盖范围变小，且信号的穿透能力减弱，室外信号‘来’到室内后衰耗十分严重，因此室外的高频基站很难有效覆盖到室内，必然会导致室内通信不畅。因此，要想部署5G就需要更多的微基站接入点。同时，微基站建站的密度大，组网方式多元化，未来更多的应用场景要求宏基站、微基站立体组网。因此，室内微基站的部署将成为各大运营商未来重点争夺的“阵地”。
微基站的主要功能之一就是“补盲”，它能覆盖宏基站无法精确达到的人口密集区，顺便解决宏站选址难的问题。微基站以其高度灵活性、易部署、可管可控的特点，作为万物互联的底层网络支持，必将会在不久的将来实现数量大规模增加。由此带来的是对微基站设备监控及正常运维的挑战，由于微基站受室内人员进入困难、网络及用户的自主行为等的影响更多，对其维护显得更加的困难。如此一来，传统的网络管理模式已经不再适合微基站监控的需求，越来越多的微基站，大量的告警信息，使得故障的排查和定位也更加困难。若多个故障并发，情况将更加复杂的难以描述，运维人员面对海量的告警信息，往往很难快速排查及解决故障。
在此种情况下有必要提供一种新型监控系统，更智能地提升告警的准确性并尽可能的自动恢复系统，以可靠的方案运作和维护基站，有效减轻运维人员的维护难度。
发明内容
本发明主要解决的技术问题是如何更有效地对微基站进行监控。
根据第一方面，一种实施例中提供一种微基站监控方法，包括：
获取微基站的运行信息；
对所述微基站的运行信息进行分类，得到对应的告警信息、控制信息和监控信息；
将所述告警信息输入预先构建的自动告警识别模型，得到故障告警预测结果；并将所述控制信息和监控信息输入预先构建的设备离网预测模型中，得到设备离网预测结果；
将所述故障告警预测结果和所述设备离网预测结果发送给监控中心。
根据第二方面，一种实施例中提供一种微基站监控装置，包括：
基站监控单元，用于获取微基站的运行信息；
数据分类单元，用于对所述微基站的运行信息进行分类，得到对应的告警信息、控制信息和监控信息；
数据预测单元，用于将所述告警信息输入预先构建的自动告警识别模型，得到故障告警预测结果；并将所述控制信息和监控信息输入预先构建的设备离网预测模型中，得到设备离网预测结果；
结果监测单元，用于将所述故障告警预测结果和所述设备离网预测结果发送给监控中心。
根据第三方面，一种实施例中提供一种计算机可读存储介质，包括程序，所述程序能够被处理器执行以实现上述实施例所述的方法。
依据上述实施例的微基站监控方法/装置，由于对微基站的运行信息进行分类后，再针对不同类别的运行信息进行深度学习，能够精确预测故障和离网设备，有效降低微基站运维人员的工作难度，提供更精准的状态监控及故障排查和自恢复。
附图说明
图1为一种实施例的微基站监控方法的流程图；
图2为一种实施例的微基站监控装置的结构框图；
图3为一种微基站监控服务架构的结构框图。
具体实施方式
下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。
另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。
本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。
请参考图1，图1为一种实施例的微基站监控方法的流程图，所述的方法包括步骤S10至步骤S40，下面具体说明。
步骤S10，获取微基站的运行信息。本实施例通过监控单元FSU来获取微基站的运行信息。
步骤S20，对微基站的运行信息进行分类，得到对应的告警信息、控制信息和监控信息。其中，告警信息包括微基站设备硬件和软件上产生的告警信息；控制信息包括信令数据、交互数据，微基站、监控单元FSU及其挂载的设备的配置数据；监控信息包括基站设备上所有可以获得的数据，如系统的运行参数和状态、软件的调试和告警信息、业务数据等等。
步骤S30，将告警信息输入预先构建的自动告警识别模型，得到故障告警预测结果；并将控制信息和监控信息输入预先构建的设备离网预测模型中，得到设备离网预测结果。
步骤S40，将故障告警预测结果和所述设备离网预测结果发送给监控中心。
在一实施例中，在步骤S20对所述微基站的运行信息进行分类之后，步骤S30将所述告警信息、控制信息和监控信息输入预先构建的自动告警识别模型和设备离网预测模型中之前，还包括：将告警信息、控制信息和监控信息存储在数据缓存模块中。
本实施例中数据缓存模块用于接收分类后得到的告警信息、控制信息和监控信息，并实时将分类后的告警信息、控制信息和监控信息转发给自动告警识别模型、设备离网预测模型中。
在一实施例中，步骤S30中将告警信息输入预先构建的自动告警识别模型，得到故障告警预测结果，包括：
获取告警信息的训练样本集合；本实施例中训练样本集合中的告警信息为历史告警信息，这些历史告警信息需包括以下字段：时间、地区、设备编号、告警信息、故障类别。
构建机器学习模型，将告警信息的训练样本集合输入到机器学习模型中进行训练，得到预先构建的自动告警识别模型。
本实施例中，将训练样本集合中的告警信息输入到机器学习模型中，对训练样本集合中的告警信息进行清洗、去重和降噪处理，再利用TF或TF-IDF算法处理告警数据；其中，TF-IDF是一种用于数据挖掘的文本分词技术，TF(Term Frequency)是词频，IDF(Inverse Document Frequency)是逆文本频率，其可以有效地降低出现频率过多的语料数据的权重。使用TF-IDF算法处理告警信息可以很好的衡量告警信息中语料的重要程度。当然，如果使用的告警信息相对均匀，没有热门地段的基站的频繁告警信息，此时可以考虑只使用TF进行告警信息的处理。
其中，将告警信息的训练样本集合输入到所述机器学习模型中进行训练，包括：
将告警信息的训练样本集合输入到机器学习模型中，并采用LightGBM或XGBoost算法对机器学习模型进行训练。
在本实施例中，采用单独的LightGBM算法比单独的XGBoost算法的预测能力更强，速度更快，其可作为主要算法。然而为了获得更好的效果，也考虑了融合多个算法来获得更好的结果，这里使用加权融合法，涉及到的其他主要算法有XGBoost/极端梯度提升集成树，GBDT/梯度提升树，Random_Forest(RF)/随机森林，SVM/支持向量机。本实施例先使用XGBoost/GBDT/RF/SVM算法模型同时对需要预测的信息进行预测，再根据经验给这几个单学习器的分类值scorei确定合适的权重wi，然后各自乘以权重再求和∑iwiscorei，得出最终的融合结果。需要说明的是，本实施例使用LightGBM、XGBoost、RF单独算法还是融合算法，要看具体数据的预测效果决定。
最后还需将训练完成的自动告警识别模型部署到服务器，利用服务器将新获取的告警信息输入以训练完成的自动告警识别模型中进行自动告警关联及根因识别计算，最终生成的模型结果(故障告警预测结果)通过服务器上传到监控中心的指定位置去存储，可供运维人员随时查看。同时，基于人工经验，发现故障原因就固定的可以匹配到方法去解决故障，系统将每个可能的故障都一一对应的设定好解决策略，那么当经过模型算法得到根因后，其结果会给到自动恢复模块，该模块得到输入后，将依据事先制定好的匹配故障自愈策略去自动运行，以期自动解决故障。
在本实施例中，所获取的微基站的告警信息非常多，将这些告警信息均输入至自动告警识别模型中，对训练样本集合中的告警信息进行清洗、处理、整合与根因判断，从这些告警信息中得到概率最高的一个故障结果作为故障告警预测结果，将该故障告警预测结果发送给监控中心，并启动程序恢复故障。
在本实施例中，服务器中自动告警识别模型的运行环境为python，可以根据需求场景决定使用pyspark的MLlib库还是SKlearn库来实现算法。
在一实施例中，步骤S30中将控制信息和监控信息输入预先构建的设备离网预测模型中，得到设备离网预测结果，包括：
获取控制信息和监控信息的训练样本集合；本实施例中训练样本集合中的控制信息和监控信息为历史控制信息和监控信息，其中控制信息包括设备基本信息、设备配置信息，监控信息包括基站编号、基站运行日志、FSU编号、FSU运行日志、FSU挂载设备运行日志、离线时间、离线时长。
然后，对训练样本集合中的控制信息和监控信息进行清洗、去重和降噪，再对训练样本集合中的控制信息和监控信息的时序特征按照时间粒度进行整合，得到控制信息和监控信息的特征数据；
从控制信息和监控信息的特征数据中选取合适的特征作为训练特征数据，对训练特征数据进行归一化处理和独热处理；
构建深度神经网络，将归一化处理和独热处理后的训练特征数据输入到所述深度神经网络中进行训练，得到预先构建的设备离网预测模型。
其中，将归一化处理和独热处理后的训练特征数据输入到深度神经网络中，并采用DNN和LSTM算法对深度神经网络进行训练。本实施例中DNN(Deep Neural Networks)是深度神经网络模型，LSTM通常称为长短期记忆网络，能够很好的学习长期的规律。使用中我们将基础特征数据输入DNN，将一定时间范围内的时序特征数据输入LSTM，从而得到很好的预测效果。
最后，将设备离网预测模型部署到服务器，生成的模型预测结果通过服务器上传到监控中心平台的指定位置去存储。
请参考图2，图2为一种实施例的微基站监控装置的结构框图，所述的监控装置包括基站监控单元10、数据分类单元20、数据预测单元30和结果监测单元40。
基站监控单元10用于获取微基站的运行信息。本实施例通过监控单元FSU来获取微基站的运行信息。请参考图3，FSU为动环监控系统的最小子系统，由若干监控模块和其它辅助设备组成，可直接采集的微基站所配置设备的数据、以及对数据的处理，FSU可包含数据采样、数据转发、汇聚、过滤等处理，以及数据中继等功能。FSU与监控中心之间通过互联网(Internet)进行互联，例如WebService和FTP方式，这二者同时形成完整的同一套接口协议标准。FSU与监控中心之间的数据流交互采用基于Soap+XML+文本文件技术的接口，其要求接入双方：监控中心提供WebService服务，FSU向监控中心注册、上报告警信息、上报监控点数据、上报动环设备配置数据；FSU提供WebService服务，监控中心主动请求监控点数据、写监控点设置值、请求监控点门限数据、写监控点门限数据、获取FSU注册信息、设置FSU注册信息、获取FSU的FTP信息、设置FSU的FTP信息、时间同步、获取FSU状态信息(心跳机制)、更新FSU状态信息获取周期、重启FSU、请求动环设备配置数据、写动环设备配置数据；FSU提供FTP服务，监控中心批量获取监控对象(空调、熔丝、电表等)的配置数据(制冷制热模式、温湿度值、功率值、电压、电流、用电量等)、定期获取监控图像文件、获取活动、历史告警同步文件、获取监控点性能数据文件、上传FSU相关文件、获取日志文件。
数据分类单元20用于对微基站的运行信息进行分类，得到对应的告警信息、控制信息和监控信息。其中，告警信息包括微基站设备硬件和软件上产生的告警信息；控制信息包括信令数据、交互数据，微基站、监控单元FSU及其挂载的设备的配置数据；监控信息包括基站设备上所有可以获得的数据，如系统的运行参数和状态、软件的调试和告警信息、业务数据等等。
数据预测单元30用于将告警信息输入预先构建的自动告警识别模型，得到故障告警预测结果；并将控制信息和监控信息输入预先构建的设备离网预测模型中，得到设备离网预测结果。
结果监测单元40用于将故障告警预测结果和设备离网预测结果发送给监控中心。
在一实施例中，对微基站的运行信息进行分类之后，步骤S30将所述告警信息、控制信息和监控信息输入预先构建的自动告警识别模型和设备离网预测模型中之前，还包括：将告警信息、控制信息和监控信息存储在数据缓存模块中。
在一实施例中，将告警信息输入预先构建的自动告警识别模型，得到故障告警预测结果，包括：
获取告警信息的训练样本集合；本实施例中训练样本集合中的告警信息为历史告警信息，这些历史告警信息需包括以下字段：时间、地区、设备编号、告警信息、故障类别。
构建机器学习模型，将告警信息的训练样本集合输入到机器学习模型中进行训练，得到预先构建的自动告警识别模型。
其中，将告警信息的训练样本集合输入到所述机器学习模型中进行训练，包括：
将告警信息的训练样本集合输入到机器学习模型中，并采用LightGBM或XGBoost算法对机器学习模型进行训练。
在一实施例中，步骤S30中将控制信息和监控信息输入预先构建的设备离网预测模型中，得到设备离网预测结果，包括：
获取控制信息和监控信息的训练样本集合；本实施例中训练样本集合中的控制信息和监控信息为历史控制信息和监控信息，其中控制信息包括设备基本信息、设备配置信息，监控信息包括基站编号、基站运行日志、FSU编号、FSU运行日志、FSU挂载设备运行日志、离线时间、离线时长。
然后，对训练样本集合中的控制信息和监控信息进行清洗、去重和降噪，再对训练样本集合中的控制信息和监控信息的时序特征按照时间粒度进行整合，得到控制信息和监控信息的特征数据；
从控制信息和监控信息的特征数据中选取合适的特征作为训练特征数据，对训练特征数据进行归一化处理和独热处理；
构建深度神经网络，将归一化处理和独热处理后的训练特征数据输入到所述深度神经网络中进行训练，得到预先构建的设备离网预测模型。
其中，将归一化处理和独热处理后的训练特征数据输入到深度神经网络中，并采用DNN和LSTM算法对深度神经网络进行训练。本实施例中DNN(Deep Neural Networks)是深度神经网络模型，LSTM通常称为长短期记忆网络，能够很好的学习长期的规律。使用中我们将基础特征数据输入DNN，将一定时间范围内的时序特征数据输入LSTM，从而得到很好的预测效果。
最后，将设备离网预测模型部署到服务器，生成的模型预测结果通过服务器上传到监控中心平台的指定位置去存储。
在本发明实施例中，由于本发明实施例所提供的微基站监控装置的存在，微基站不再只与监控单元FSU、监控中心进行交互来采集、存储、转发数据，通过该监控装置与监控中心互联，微基站也就可以间接的通过该系统来进行数据转发、分类、分析与计算，数据的处理与分析更加的灵活方便。
本领域技术人员可以理解，上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现，也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘、光盘、硬盘等，通过计算机执行该程序以实现上述功能。例如，将程序存储在设备的存储器中，当通过处理器执行存储器中程序，即可实现上述全部或部分功能。另外，当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中，通过下载或复制保存到本地设备的存储器中，或对本地设备的系统进行版本更新，当通过处理器执行存储器中的程序时，即可实现上述实施方式中全部或部分功能。
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。
Claims (10)
1.一种微基站监控方法,其特征在于，包括：
获取微基站的运行信息；
对所述微基站的运行信息进行分类，得到对应的告警信息、控制信息和监控信息；
将所述告警信息输入预先构建的自动告警识别模型，得到故障告警预测结果；并将所述控制信息和监控信息输入预先构建的设备离网预测模型中，得到设备离网预测结果；
将所述故障告警预测结果和所述设备离网预测结果发送给监控中心。
2.如权利要求1所述的微基站监控方法，其特征在于，在对所述微基站的运行信息进行分类之后，将所述告警信息、控制信息和监控信息输入预先构建的自动告警识别模型和设备离网预测模型中之前，还包括：
将所述告警信息、控制信息和监控信息存储在数据缓存模块中。
3.如权利要求1所述的微基站监控方法，其特征在于，将所述告警信息输入预先构建的自动告警识别模型，得到故障告警预测结果，包括：
获取告警信息的训练样本集合；
构建机器学习模型，将所述告警信息的训练样本集合输入到所述机器学习模型中进行训练，得到预先构建的自动告警识别模型。
4.如权利要求1所述的微基站监控方法，其特征在于，将所述控制信息和监控信息输入预先构建的设备离网预测模型中，得到设备离网预测结果，包括：
获取控制信息和监控信息的训练样本集合；
对训练样本集合中的控制信息和监控信息的时序特征按照时间粒度进行整合，得到控制信息和监控信息的特征数据；
从所述控制信息和监控信息的特征数据中选取合适的特征作为训练特征数据，对训练特征数据进行归一化处理和独热处理；
构建深度神经网络，将归一化处理和独热处理后的训练特征数据输入到所述深度神经网络中进行训练，得到预先构建的设备离网预测模型。
5.如权利要求3所述的微基站监控方法，其特征在于，将所述告警信息的训练样本集合输入到所述机器学习模型中进行训练，包括：
将所述告警信息的训练样本集合输入到所述机器学习模型中，并采用LightGBM或XGBoost算法对机器学习模型进行训练。
6.如权利要求4所述的微基站监控方法，其特征在于，将归一化处理和独热处理后的训练特征数据输入到所述深度神经网络中进行训练，包括：
将归一化处理和独热处理后的训练特征数据输入到所述深度神经网络中，并采用DNN和LSTM算法对深度神经网络进行训练。
7.一种微基站监控装置，其特征在于，包括：
基站监控单元，用于获取微基站的运行信息；
数据分类单元，用于对所述微基站的运行信息进行分类，得到对应的告警信息、控制信息和监控信息；
数据预测单元，用于将所述告警信息输入预先构建的自动告警识别模型，得到故障告警预测结果；并将所述控制信息和监控信息输入预先构建的设备离网预测模型中，得到设备离网预测结果；
结果监测单元，用于将所述故障告警预测结果和所述设备离网预测结果发送给监控中心。
8.如权利要求7所述的微基站监控装置，其特征在于，将所述控制信息和监控信息输入预先构建的设备离网预测模型中，得到设备离网预测结果，包括：
获取控制信息和监控信息的训练样本集合；
对训练样本集合中的控制信息和监控信息的时序特征按照时间粒度进行整合，得到控制信息和监控信息的特征数据；
从所述控制信息和监控信息的特征数据中选取合适的特征作为训练特征数据，对训练特征数据进行归一化处理和独热处理；
构建深度神经网络，将归一化处理和独热处理后的训练特征数据输入到所述深度神经网络中进行训练，得到预先构建的设备离网预测模型。
9.如权利要求7所述的微基站监控装置，其特征在于，将所述控制信息和监控信息输入预先构建的设备离网预测模型中，得到设备离网预测结果，包括：
获取控制信息和监控信息的训练样本集合；
对训练样本集合中的控制信息和监控信息的时序特征按照时间粒度进行整合，得到控制信息和监控信息的特征数据；
从所述控制信息和监控信息的特征数据中选取合适的特征作为训练特征数据，对训练特征数据进行归一化处理和独热处理；
构建深度神经网络，将归一化处理和独热处理后的训练特征数据输入到所述深度神经网络中进行训练，得到预先构建的设备离网预测模型。
10.一种计算机可读存储介质，其特征在于，包括程序，所述程序能够被处理器执行以实现如权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011100600.7A CN112367678A (zh) | 2020-10-15 | 2020-10-15 | 一种微基站监控方法及装置、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011100600.7A CN112367678A (zh) | 2020-10-15 | 2020-10-15 | 一种微基站监控方法及装置、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112367678A true CN112367678A (zh) | 2021-02-12 |
Family
ID=74506770
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011100600.7A Pending CN112367678A (zh) | 2020-10-15 | 2020-10-15 | 一种微基站监控方法及装置、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112367678A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113268370A (zh) * | 2021-05-11 | 2021-08-17 | 西安交通大学 | 一种根因告警分析方法、系统、设备及存储介质 |
| CN113891377A (zh) * | 2021-11-17 | 2022-01-04 | 西藏先锋绿能环保科技股份有限公司 | 一种5g小基站设备自动维护及调优方法 |
| CN117155761A (zh) * | 2023-11-01 | 2023-12-01 | 睿至科技集团有限公司 | 一种基于智能动环监控管理平台的告警方法及系统 |
| CN118075792A (zh) * | 2024-04-19 | 2024-05-24 | 深圳市佳贤通信科技股份有限公司 | 基于tr069协议的基站告警处理方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109905885A (zh) * | 2018-04-12 | 2019-06-18 | 华为技术有限公司 | 一种确定巡检基站列表的方法以及巡检装置 |
| US20190379589A1 (en) * | 2018-06-12 | 2019-12-12 | Ciena Corporation | Pattern detection in time-series data |
| CN110891283A (zh) * | 2019-11-22 | 2020-03-17 | 超讯通信股份有限公司 | 一种基于边缘计算模型的小基站监控装置及方法 |
| CN111626506A (zh) * | 2020-05-27 | 2020-09-04 | 华北电力大学 | 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统 |
-
2020
- 2020-10-15 CN CN202011100600.7A patent/CN112367678A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109905885A (zh) * | 2018-04-12 | 2019-06-18 | 华为技术有限公司 | 一种确定巡检基站列表的方法以及巡检装置 |
| US20190379589A1 (en) * | 2018-06-12 | 2019-12-12 | Ciena Corporation | Pattern detection in time-series data |
| CN110891283A (zh) * | 2019-11-22 | 2020-03-17 | 超讯通信股份有限公司 | 一种基于边缘计算模型的小基站监控装置及方法 |
| CN111626506A (zh) * | 2020-05-27 | 2020-09-04 | 华北电力大学 | 基于联邦学习的区域光伏功率概率预测方法及其协同调控系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113268370A (zh) * | 2021-05-11 | 2021-08-17 | 西安交通大学 | 一种根因告警分析方法、系统、设备及存储介质 |
| CN113891377A (zh) * | 2021-11-17 | 2022-01-04 | 西藏先锋绿能环保科技股份有限公司 | 一种5g小基站设备自动维护及调优方法 |
| CN117155761A (zh) * | 2023-11-01 | 2023-12-01 | 睿至科技集团有限公司 | 一种基于智能动环监控管理平台的告警方法及系统 |
| CN118075792A (zh) * | 2024-04-19 | 2024-05-24 | 深圳市佳贤通信科技股份有限公司 | 基于tr069协议的基站告警处理方法 |
| CN118075792B (zh) * | 2024-04-19 | 2024-06-28 | 深圳市佳贤通信科技股份有限公司 | 基于tr069协议的基站告警处理方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112367678A (zh) | 一种微基站监控方法及装置、存储介质 | |
| CN111210024B (zh) | 模型训练方法、装置、计算机设备和存储介质 | |
| US11294754B2 (en) | System and method for contextual event sequence analysis | |
| WO2019196869A1 (zh) | 一种确定巡检基站列表的方法以及巡检装置 | |
| US11561950B2 (en) | System and method for facilitating an objective-oriented data structure and an objective via the data structure | |
| CN115174416B (zh) | 一种网络规划系统、方法、装置及电子设备 | |
| US20210055719A1 (en) | System for predictive maintenance using generative adversarial networks for failure prediction | |
| CN112800428B (zh) | 一种终端设备的安全状态判断方法及装置 | |
| CN112396070A (zh) | 一种模型训练方法、装置和系统，以及预测方法和装置 | |
| CN112379325A (zh) | 一种用于智能电表的故障诊断方法及系统 | |
| EP3613173A1 (en) | A method, an apparatus and a system for detecting alarm data | |
| CN115689320A (zh) | 基站运行的健康管理方法、装置及计算机可读存储介质 | |
| CN117792864A (zh) | 一种告警处理方法、装置、存储介质及电子装置 | |
| EP4199449A1 (en) | Automatic classification of correlated anomalies from a network through interpretable clustering | |
| CN111724052B (zh) | 一种船舶轮机模拟器智能评估系统 | |
| CN115146788A (zh) | 分布式机器学习模型的训练方法、装置、电设备存储介质 | |
| US20230039273A1 (en) | Event prediction | |
| CN118573115B (zh) | 一种用于光伏新能源储能系统在线监测方法及装置 | |
| CN115002871B (zh) | 信号连接系统、信号连接方法、计算机设备和存储介质 | |
| Beshley et al. | AI-Based IoT System for Temperature Forecasting | |
| US20230205158A1 (en) | Building data platform with analytics development | |
| CN117440414A (zh) | 通信站点故障预测方法、装置、设备及存储介质 | |
| Chondroulis et al. | Performance-Aware Orchestration and Management over 5G and Beyond Infrastructures Based on Diagnostic Mechanisms | |
| CN116743594A (zh) | 机房资源的规划方法、装置、电子设备及存储介质 | |
| Wen et al. | Orchestrating networked machine learning applications using Autosteer |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210212 |